引言
提到tensorflow2.0，我不知道读者最先想到的是什么，我最先想到的是——”版本“，没错，就是版本，tensorflow2.0相比1.x版本有非常大的变化，加上python是一个版本并不兼容的环境（即使是3.5和3.7，也会有部分不兼容），这给许多初学者和环境搭建以及mnist的cnn测试造成了很多困难，这里我想和大家有一个直观的解释。
tensorflow2.0
开始之前，我必须提前与读者说明，也是希望初学者应该牢牢记住的几点：
（1）程序报错的时候不要急着去问，先看看红色报错英文的意思，在调试显得越来越重要的时代，编译器给出的error解释其实是非常详细的。
（2）当你遇到几下一个surprise的时候(我凭记忆写的，可能不是很相符，但大概意思差不多）
AttributeError: module ‘tensorflow’ has no attribute ‘Session’
ImportError:can not find moudle six/numpy
RuntimeError: implement_array_function method already has a docstring
如果你确实安装了但是还是有以上之类的错误，不要怀疑，一定是版本问题。版本与代码的不匹配，不同包之间版本的不匹配，python与不同库的不匹配是最直接的原因。
（3）最好的各种测试代码一定是tensorflow官网上的测试代码，学会看官方文档，这，很重要。
（4）不要一直尝试绿色的三角符号，有时候terminal终端调试其实更简洁，也更高效。
（5）当网上最新版的代码很少很难运行成功时，尝试安装低版本的tensorflow和Python是一个不错的解决方法，
（6）pip install之类的命令有问题时，学会从镜像源，具体包在硬盘中的存储位置看错误问题，记住常用的终端命令，另外，不要怀疑编译器会出错，一定是自己的配置问题。
（7）实在不行时，与其从网上查找各种杂七乱八的问题解决方法，重启，删除，重装是更有效率的方式。因为，很多时候，每台计算机的问题都是不同的，你并不一定能从csdn找到解决方法。
Fashion MNIST
FashionMNIST 是一个替代 MNIST 手写数字集的图像数据集。它是由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。其中包含 60000 个训练样本和 10000 个测试样本，其中的样本都来自日常穿着的衣裤鞋包，每个都是 28×28 的灰度图像，每张图像都有各自的标签。
关于这个数据集的介绍网上有很多，这里也不过多叙述
CNN Fashion MNIST demo
注：这其实是tensorflow上的一个官方示例：
https://tensorflow.google.cn/tutorials/keras/classification/
使用tensorflow.keras（高级API）在TensorFlow中构建和训练模型。
（1）搭建tensorflow+keras框架，这里不再介绍，网上有很多不错的教程，但一定要记住：大道至简，最好的教程一定不是最复杂的，搭建完成后，通过如下代码进行测试：
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
print(tf.version)
得到输出结果2.0.0，可以看到框架搭建完成（这里要特别注意版本和代码的匹配问题）
（2）导入Fashion MNIST数据集
数据集可以从地址中下载成文件，也可以在tensorflow的dataset数据包中导入：
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
可以从运行框中看到数据从地址中进行加载，最后返回四个NumPy数组
train_images,train_labels,test_images,test_labels
每个图像都映射到一个标签。由于类名不包含在数据集中，因此将它们存储在此处以供以后在绘制图像时使用：
class_names = [‘T-shirt/top’, ‘Trouser’, ‘Pullover’, ‘Dress’, ‘Coat’,
‘Sandal’, ‘Shirt’, ‘Sneaker’, ‘Bag’, ‘Ankle boot’]
（3）检查四个NumPy数组，并观察数据集的一些性质：
显示了训练集中有60,000张图像，每张图像表示为28 x 28像素：
训练集中有60,000个标签
每个标签都是0到9之间的整数
测试集也是相同情况，这里不再赘述。
（4）预处理数据
在训练网络之前，必须对数据进行预处理。如果检查训练集中的第一张图像，您将看到像素值落在0到255的范围内，在将它们输入神经网络模型之前，将这些值缩放到0到1的范围。为此，将值除以255。以相同的方式预处理训练集和测试集非常重要。
train_images = train_images / 255.0
test_images = test_images / 255.0
处理后再看图像，可以看到图像变成了灰度图像：
（5） 建立模型
设置图层
神经网络的基本组成部分是层。图层从输入到其中的数据中提取表示。希望这些表示对于当前的问题有意义。
深度学习的大部分内容是将简单的层链接在一起。大多数层（利润tf.keras.layers.Dense）具有在训练期间学习的参数。
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=‘relu’),
keras.layers.Dense(10, activation=‘softmax’)
])
该网络的第一层tf.keras.layers.Flatten将图像的格式从二维数组（28 x 28像素）转换为一维数组（28 * 28 = 784像素）。可以将这一层看作是堆叠图像中的像素行并对齐它们。该层没有学习参数。它只会重新格式化数据。
像素变平后，网络由tf.keras.layers.Dense两层序列组成。这些是紧密连接或完全连接的神经层。第一Dense层有128个节点（或神经元）。第二层（也是最后一层）是一个10节点的softmax层，该层返回10个总和为1的概率分数的数组。每个节点都包含一个分数，该分数指示当前图像属于10个类别之一的概率。
编译模型
在准备训练模型之前，需要进行一些其他设置。这些是在模型的编译步骤中添加的：
损失函数 -衡量训练期间模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
优化器 -这是基于模型看到的数据及其损失函数来更新模型的方式。
指标 -用于监视培训和测试步骤。以下示例使用precision，即正确分类的图像比例。
model.compile(optimizer=‘adam’,
loss=‘sparse_categorical_crossentropy’,
metrics=[‘accuracy’])
（6） 训练模型
要开始训练，请调用该model.fit方法，之所以这么称呼是因为该方法使模型“适合”训练数据：
model.fit(train_images, train_labels, epochs=10)
可以在运行区中显示的损失函数和准确性指标：
刚开始训练时可以看到准确率逐渐升高：
趋于稳定后，可以看到有一个不错的准确率：
（7） 评估准确性
接下来，比较模型在测试数据集上的表现：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(’\nTest accuracy:’, test_acc)
事实证明，测试数据集的准确性略低于训练数据集的准确性。训练准确性和测试准确性之间的差距代表过度拟合。过度拟合是指机器学习模型在新的，以前看不见的输入上的表现比训练数据上的表现差的情况。
（8） 可视化
我们以图形方式查看完整的10个类预测。
首先让我们看一下第1张图片，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。
全部的预测正确率如下：
可见大部分还是以非常高的预测准确率出现，只有一个的预测效果比较差。
附：完整代码：
from __future__ import absolute_import, division, print_function, unicode_literals
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()
train_images = train_images / 255.0
test_images = test_images / 255.0
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
predictions = model.predict(test_images)
def plot_image(i, predictions_array, true_label, img):
predictions_array, true_label, img = predictions_array, true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array, true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()
看完上面这么多，我想你能看到这份代码中最核心的部分，也是对结果影响最大的部分，就是神经网络层的搭建和选择每一层的内容：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
我们可以尝试一个最简单的改变：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(256, activation='relu'), # 隐藏层2
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(64, activation='relu'),
keras.layers.Dense(32, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
再次运行，我们可以看到一个略显提高的准确率：
10000/1 - 1s - loss: 0.2667 - accuracy: 0.8894
Test accuracy: 0.8894
当然，如果你对神经网络有一个更加深入的了解，可以自己修改模型每层的参数，自己增删网络，可能得到一个更好的准确率的结果。
未完待续！