TensorFlow 2.0

前言

Tensorflow是Google推出的机器学习开源神器，对Python有着良好的语言支持，支持CPU，GPU和Google TPU等硬件，并且已经拥有了各种各样的模型和算法。目前，Tensorflow已被广泛应用于文本处理，语音识别和图像识别等多项机器学习和深度学习领域。基础框架分为三层：应用层、接口层和核心层。
应用层：提供了机器学习相关的训练库、预测库和针对Python、C++和Java等变成语言的编程环境，类似于web系统的前端，主要实现了对计算图的构造。
接口层：对Tensorflow功能模块的封装，便于其它语言平台的调用。
核心层：最重要的部分，包括设备层、网络层、数据操作层和图计算层，执行应用层的计算。

1. 设备层：包括Tensorflow在不同硬件设备上的实现，主要支持CPU、GPU和Mobile等设备，在不同硬件设备上实现计算命令的转换，给上层提供统一的接口，实现程序的跨平台功能。
2. 网络层：网络层主要包括RPC和RDMA通信协议，实现不同设备之间的数据传输和更新，这些协议都会在分布式计算中用到。
3. 数据操作层：以tensor为处理对象，实现tensor的各种操作和计算。
4. 图计算层：包括分布式计算图和本地计算图的实现，实现图的创建、编译、优化和执行等。

面对初学者的快速入门

我们首先将TensorFlow 2.0安装的电脑中，我用的是Jupyter Notebook,来实现下述代码的。我们首先将TensorFlow载入到程序，然后载入并准备好MNIST测试集。将样本从整数转换为浮点数。将模型的各层堆叠起来，以搭建tf.keras.Sequential模型，以训练选择优化器和损失函数，最后进行训练并验证模型。

import tensorflow as tf  #程序中引入tensorflow库

以下代码为数据集的引入：

mnist = tf.keras.datasets.mnist #引入数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28,28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

tf.keras.models.Sequential（）用法

tf.keras.models.Sequential([网络结构])#描述各层的网络
网络结构举例：
①拉直层：tf.keras.layers.Flatten()# 拉直曾可以变换张量的尺寸，把输入特征拉直为一维数组，其不含计算参数。
②全连接层tf.keras.layers.Dense(神经元的个数， activation=‘激活函数’，kernel_regularizer=‘正则化方式’)
③tf.keras.layers.Dropout()为将Dropout应用到输入，其有三个参数。

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test, verbose=2)

Epoch 1/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0669 - accuracy: 0.9783
Epoch 2/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0604 - accuracy: 0.9808
Epoch 3/5
1875/1875 [==============================] - 5s 2ms/step - loss: 0.0551 - accuracy: 0.9822
Epoch 4/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0502 - accuracy: 0.9836
Epoch 5/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0449 - accuracy: 0.9853
313/313 - 1s - loss: 0.0682 - accuracy: 0.9802 - 600ms/epoch - 2ms/step





[0.06823256611824036, 0.9801999926567078]

model.fit(训练集的输入特征，训练集的标签，batch_size #每个batch的大小，epochs,#迭代次数，validation_data=(测试集的输入特征，测试集的标签)，validation_split=从测试集中划分多少比例给训练集，validation_freq=测试的epoch间隔数)#用于执行训练过程

model.evaluate(输入测试数据， 真实标签，控制日志显示的方式（verbose:'0’不在标准输出流输出日志信息’1’输出进度条记录’2’每个epoch输出一行记录，默认值为1） )