TensorFlow(Keras) 一步步实现MNIST手写体图片分类 (1) Coursera深度学习教程分享

TensorFlow和Andrew Ng 的 DeepLearning.AI合作推出了一个简单的TensorFlow入门教程。但是看了一下，这简直是Keras入门教程，对于笔者来说简直就像回头看小学数学，但温故而知新可以为师矣。因为Keras的作者加入了TensorFlow，自然Keras也融合了进了TensorFlow，但是从笔者的项目经历来看，Keras和TensorFlow还是有区别的，很多接口之间还不能相互转化。

这里分享一下简单地教程，简单明了介绍如何一步步使用TensorFlow构建深度学习模型：

（推荐阅读时间1min）

建议手动Follow下代码：

推荐大家使用Jupyter，可以参考我写的博客如何搭建Jupyter.

Mnist手写体数据，x_train中每个数据都是[28, 28]的图片，如下：

import tensorflow as tf
from tensorflow import keras
from keras import Sequential
from keras.layers import Dense, Conv2D, MaxPool2D, Flatten

# 导入数据
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()

x_train.shape, x_test.shape
# ((60000, 28, 28), (10000, 28, 28))

记得把数据集归一化，以利于神经网络的训练。
X_train, X_test = x_train/ 255., x_test/ 255.

模型部分

model = Sequential()
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))

模型编译model.compile，这里使用Adam优化器，使用交差熵作为目标函数，评价指标是accuracy，简写’acc’
模型训练,model.fit.

model.compile('adam', loss='sparse_categorical_crossentropy', metrics=['acc'])
model.fit(X_train, y_train, batch_size=64, epochs=3, validation_data=(X_test, y_test))

这个数据很简单，随便丢个模型，效果都很好。
Train on 60000 samples, validate on 10000 samples
Epoch 1/3
60000/60000 [] - 2s 38us/step - loss: 0.3041 - acc: 0.9142 - val_loss: 0.1679 - val_acc: 0.9508
Epoch 2/3
60000/60000 [] - 2s 33us/step - loss: 0.1369 - acc: 0.9606 - val_loss: 0.1121 - val_acc: 0.9660
Epoch 3/3
60000/60000 [==============================] - 2s 33us/step - loss: 0.0953 - acc: 0.9719 - val_loss: 0.0987 - val_acc: 0.9707

用这段代码可以打印出来手写体的一张图片：
import matplotlib.pylab as plt
plt.imshow(x_train[2])