用TensorFlow分6步构建神经网络：初学者

在本教程中，我们将使用tf.keras构建并训练一个简单的神经网络，使用序列模型从Fashion_mnist数据集中对服装图像进行分类，例如运动鞋和衬衫。您将学习如何定义和训练一个模型，该模型即使在没有重大优化的情况下，也可以在几行代码中以90%左右的准确率对图像进行分类。完整的代码在本教程的末尾给出。

以下是我们将遵循的6个步骤：

我希望你准备好了。让我们开始吧，不要再费劲了。

步骤1：导入依赖项

import tensorflow as tf

步骤2：导入数据集

让我们导入将在本教程中使用的Fashion_mnist数据集。FORMING_MNIST数据集由70,000个灰度图像组成，分为十个类别，每个类别的尺寸为28×28像素。

fashion_mnist = tf.keras.datasets.fashion_mnist.load_data()

当标签在MNIST数据集中等于5时，它表示图像反映的是手写数字5。然而，对于FORMAND_MNIST，我们需要类名列表才能知道我们正在处理的是什么。

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt',   'Sneaker',  'Bag',   'Ankle boot']

步骤3：对数据进行预处理

图像数据中的每个像素具有介于0和255之间的整数值。这些值必须缩放到范围[0，1]，模型才能有效执行。为简单起见，我们将通过将像素值除以255.0(这也会将它们转换为浮点数)来将像素值缩小到0-1范围

train_images = train_images/255.0

步骤4：构建模型

在编译模型之前，必须配置神经网络层。

让我们使用顺序模型体系结构配置神经网络层。

model = tf.keras.Sequential([

现在，我们使用ADAM优化器和SparseCategoricalCrossenropy()损失函数编译模型。

model.compile(optimizer='adam', loss = tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy'])

步骤5：训练和评估模型

模型现已准备就绪，可以进行培训。为此，我们只需要使用它的fit()方法。VALIDATION_SPLIT参数与输入特征(TRAIN_IMAGE)、目标标签(TRAIN_LABEs)和要训练的历元数一起传递。在这种情况下，将使用10%的训练数据作为验证数据。

model.fit(train_images, train_labels, validation_split = 0.1, epochs=10, verbose = 2)

在每个时期结束时，Kera将计算验证集上的损失和额外指标，这对于确定模型的执行情况很有用。如果训练集的性能明显好于验证集的性能，则您的模型可能过度适合训练集。

一旦您对模型的验证准确性感到满意，就应该在测试集上评估模型以估计泛化误差，然后再将其部署到生产环境中。您可以使用EVALUATE()方法轻松地实现这一点。

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose = 2)

第六步：做预测

然后可以使用模型的recast()方法对新实例进行预测。我们将只使用测试集中的前三个实例(TEST_IMAGES)，因为我们没有任何新实例。

x_new = test_images[:3]

如您所见，对于每个实例，该模型为每个类估计一个概率，范围从0到9。例如，对于第一幅图像，该模型预测了99%的类别9(踝靴)和1%的类别7(运动鞋)。

如果您只关心概率最高的类，那么您可以改用np.argmax(model.recast(X_New)，axis=-1)。

y_pred = np.argmax(model.predict(x_new), axis=-1)

在这里，分类器正确地对所有三幅图像进行了分类。

plt.figure(figsize=(10,10))

结论

我们已经建立并训练了一个简单的神经工作模型，用于从时尚数据集中对图像服装进行分类。本教程的目标是用简单的代码概述TensorFlow项目。