tf2_quickstart_for_beginners

TensorFlow 2 quickstart for beginners.md

+本次教程的目的是快速带领初学者入门以及使用 Tensorflow 2 ，一共分为以下 3 个知识点:
+
+1. 搭建一个神经网络用于图片分类
+2. 训练搭建好的神经网络
+3. 对训练好的网络模型进行准确率评估
+
+首先我们需要 Import 用到的函数库
+
+```
+import numpy as np
+import tensorflow as tf
+```
+
+加载 MNIST 数据集，该数据集相当于编程界的 "Hello, World" ，然后把样本的数据类型从 int 转化成 float
+
+```
+mnist = tf.keras.datasets.mnist
+
+(x_train, y_train), (x_test, y_test) = mnist.load_data()
+x_train, x_test = x_train / 255.0, x_test / 255.0
+```
+
+如下图所示，我们可以看到加载上来的数据集的数据类型为 uint8 ，取值范围是 0-255 ，对应了图片的像素值 0-255
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720112034.png)
+
+转化之后，如下图所示，变成了 float64
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720112116.png)
+
+接下来我们进入模型搭建阶段，用的是 Sequential API ，同时我们还需要选择优化器和损失函数以用于训练
+
+```
+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)
+])
+
+loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
+
+model.compile(optimizer='adam',
+              loss=loss_fn,
+              metrics=['accuracy'])
+```
+
+注解: 针对上面模型搭建阶段，为什么不把 `tf.nn.softmax` 放入最后一层 `Dense` 的原因是，当使用 softmax 输出时，不可能为所有模型提供精确和数值稳定的损失计算
+
+到这一步，我们就可以开始训练模型了
+
+```
+model.fit(x_train, y_train, epochs=5)
+```
+
+训练完模型之后，我们还需要对模型的准确率进行评估
+
+```
+model.evaluate(x_test, y_test, verbose=2)
+```
+
+最后我们对测试集的 5 张图片进行预测，看看模型是否真的学会图片分类了
+
+```
+probability_model = tf.keras.Sequential([
+    model,
+    tf.keras.layers.Softmax()
+])
+
+print(np.argmax(probability_model(x_test[:5]), axis=1))
+print(y_test[:5])
+```
+
+一般来说，预测结果和标签是能够一一对应上的
+
+一些补充:
+
+1. 我们可以测试一下模型在未训练前的输出
+2. 我们可以测试一下模型在训练后的输出
+
+## 模型在未训练前的输出
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720121724.png)
+
+上图展示的是，模型未训练前，计算出来的损失值，这背后有什么奥秘呢？
+
+首先我们要知道一点，MNIST 有 0-9 ，10 个数字，也就是 10 分类问题，未训练的模型对于每个类别预测正确的概率是 1/10 ，然后损失值计算公式是: `-tf.math.log(1/10) ~= 2.3` 和我们这里的 2.68 输出非常近似
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720122113.png)
+
+接下来我们输出一下模型未训练状态下的预测结果，可以看到 2/20=1/10 的正确率，基本符合随机预测的概率(当然这里统计的样本数过少，定义不够严谨)
+
+## 模型在训练后的输出
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720122332.png)
+
+我们看到 evaluate 的输出是`[0.07140578329563141, 0.9786999821662903]` 前者是损失值，后者是准确率，我们发现经过 epoch=5 次迭代，模型在测试集上取得了 97.86% 的准确率
+
+![](https://maoxianxin1996.oss-accelerate.aliyuncs.com/codechina1/20210720122251.png)
+
+上图是对测试集的前 5 张图片进行预测，可以看到预测结果均正确
\ No newline at end of file