【新聞】：機器學習煉丹術的粉絲的人工智能交流羣已經建立，目前有目標檢測、醫學圖像、時間序列等多個目標爲技術學習的分羣和水羣嘮嗑的總羣，歡迎大家加煉丹兄爲好友，加入煉丹協會。微信：cyx645016617.
參考目錄：
0 爲什麼學TF
之前的15節課的pytorch的學習，應該是讓不少朋友對PyTorch有了一個全面而深刻的認識了吧 （如果你認真跑代碼了並且認真看文章了的話） 。
大家都會比較Tensorflow2和pytorch之間孰優孰劣，但是我們也並不是非要二者選一，兩者都是深度學習的工具，其實我們或多或少應該瞭解一些比較好。 就好比，PyTorch是衝鋒槍，TensorFlow是步槍，在上戰場前，我們可以選擇帶上衝鋒槍還是步槍，但是在戰場上，可能手中的槍支沒有子彈了，你只能在地上隨便撿了一把槍。 很多時候，用Pytorch還是Tensorflow的選擇權不在自己。
此外，瞭解了TensorFlow，大家才能更好的理解PyTorch和TF究竟有什麼區別。我見過有的大佬是TF和PyTorch一起用在一個項目中，數據讀取用PyTorch然後模型用TF構建。
總之，大家有時間有精力的話，順便學學TF也不虧，更何況TF2.0現在已經優化了很多。本系列預計用3節課來簡單的入門一下Tensorflow2.
和PyTorch的第一課一樣，我們直接做一個簡單的小實戰。MNIST手寫數字分類，Fashion MNIST時尚服裝分類。
1 Tensorflow的安裝
安裝TensorFlow的方法很簡單，就是在控制檯執行：
pip install tensorflow --user
這裏的--user是賦予這個命令執行權限的，一般我都會帶上。
2 數據集構建
# keras是TF的高級API，用起來更加的方便，一般也是用keras。
import tensorflow as tf
from tensorflow import keras
import numpy as np
導入需要用到的庫函數. 正如torchvision.datasets中一樣，keras.datasets中也封裝了一些常用的數據集。
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
print('train_images shape:',train_images.shape)
print('train_labels shape:',train_labels.shape)
print('test_images shape:',test_images.shape)
print('test_labels shape:',test_labels.shape)
輸出結果是：
訓練數據集中有60000個樣本，每一個樣本和MNIST手寫數字大小是一樣的，是\(28\times 28\)大小的，然後每一個樣本有一個標籤，這個標籤和MNIST也是一樣的，是從0到9，是一個十分類任務。
來看一下這些類別有哪些：
| 標籤 | 類別 | 標籤 | 類別 |
|---|---|---|---|
| 0 | T-shirt | 5 | Sandal |
| 1 | Trouser | 6 | Shirt |
| 2 | Pullover | 7 | Sneaker |
| 3 | Dress | 8 | Bag |
| 4 | Coat | 9 | Ankle boot |
這裏學學單詞吧:
- T-shirt就是T型的襯衫，就是短袖，我感覺前面沒有釦子的那種也叫T-shirt；
- Shirt就是長袖的那種襯衫;
- Trouser是褲子；
- pullover是毛衣，套頭毛衣，就是常說的衛衣吧感覺；
- dress連衣裙；
- coat是外套；
- sandal是涼鞋；
- sneaker是運動鞋；
- ankle boot是短靴，是到腳踝的那種靴子；
- 這裏補充一個吧，sweater，是毛線衣，運動衫，這個和pullover有些類似，個人感覺主要的區分在於運動系列的可以叫做sweater，其他的毛衣衛衣是pullover。
運動短袖T-shirt+運動衛衣sweater是我秋天去健身房的穿搭。
2 預處理
這裏不做圖像增強之類的了，上面的數據中，圖像像素值是從0到255的，我們要把這些標準化成0到1的範圍。
train_images = train_images / 255.0
test_images = test_images / 255.0
3 構建模型
# 模型搭建
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
這就是一個用keras構建簡單模型的例子：
keras.layers.Flatten是把\(28\times 28\)的二維度拉平成一個維度，因爲這裏是直接用全連接層而不是卷積層進行處理的；- 後面跟上兩個全連接層
keras.layers.Dense()就行了。我們可以發現，這個全連接層的參數和PyTorch是有一些區別的：- PyTorch的全連接層需要一個輸入神經元數量和輸出數量
torch.nn.Linear(5,10),而keras中的Dense是不需要輸入參數的keras.layers.Dense(10)； - keras中的激活層直接封裝在了Dense函數裏面，所以不需要像PyTorch一樣單獨寫一個
nn.ReLU()了。
- PyTorch的全連接層需要一個輸入神經元數量和輸出數量
4 優化器
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
定義優化器和損失函數，在keras中叫做對模型進行編譯compile（在C語言中，在運行代碼之前都需要對代碼進行編譯嘛）。損失函數和優化器還有metric衡量指標的設置都在模型的編譯函數中設置完成。
上面使用Adam作爲優化器，然後損失函數用了交叉熵，然後衡量模型性能的使用了準確率Accuracy。
5 訓練與預測
model.fit(train_images, train_labels, epochs=10)
這就是訓練過程，相比PyTorch而言，更加的簡單簡潔，但是不像PyTorch那樣靈活。
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest accuracy:', test_acc)
這個.evaluate方法是對模型的驗證集進行驗證的，因爲本次任務中並沒有對訓練數據再劃分出驗證集，所以這裏直接使用測試數據了。
大家應該能理解訓練集、驗證集和測試集的用途和區別吧，我在第二課講過這個內容，在此不多加贅述。
predictions = model.predict(test_images)
這個.predict方法纔是用在測試集上，進行未知標籤樣本的類別推理的。
本次內容到此爲止，大家應該對keras和tensorflow有一個直觀淺顯的認識了。當然tensorflow也有一套類似於PyTorch中的dataset，dataloader的那樣自定義的數據集加載器的方法，在後續內容中會深入淺出的學一下。