<<小白學(xué)PyTorch>>

小白學(xué)PyTorch | 14 tensorboardX可視化教程

小白學(xué)PyTorch | 13 EfficientNet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 12 SENet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 11 MobileNet詳解及PyTorch實(shí)現(xiàn)

小白學(xué)PyTorch | 10 pytorch常見運(yùn)算詳解

小白學(xué)PyTorch | 9 tensor數(shù)據(jù)結(jié)構(gòu)與存儲(chǔ)結(jié)構(gòu)

小白學(xué)PyTorch | 8 實(shí)戰(zhàn)之MNIST小試牛刀

小白學(xué)PyTorch | 7 最新版本torchvision.transforms常用API翻譯與講解

小白學(xué)PyTorch | 6 模型的構(gòu)建訪問遍歷存儲(chǔ)（附代碼）

小白學(xué)PyTorch | 5 torchvision預(yù)訓(xùn)練模型與數(shù)據(jù)集全覽

小白學(xué)PyTorch | 4 構(gòu)建模型三要素與權(quán)重初始化

小白學(xué)PyTorch | 3 淺談Dataset和Dataloader

小白學(xué)PyTorch | 2 淺談?dòng)?xùn)練集驗(yàn)證集和測(cè)試集

小白學(xué)PyTorch | 1 搭建一個(gè)超簡單的網(wǎng)絡(luò)

小白學(xué)PyTorch | 動(dòng)態(tài)圖與靜態(tài)圖的淺顯理解

參考目錄：

• 0 為什么學(xué)TF

• 1 Tensorflow的安裝

• 2 數(shù)據(jù)集構(gòu)建

• 2 預(yù)處理

• 3 構(gòu)建模型

• 4 優(yōu)化器

• 5 訓(xùn)練與預(yù)測(cè)

0 為什么學(xué)TF

之前的15節(jié)課的pytorch的學(xué)習(xí)，應(yīng)該是讓不少朋友對(duì)PyTorch有了一個(gè)全面而深刻的認(rèn)識(shí)了吧 （如果你認(rèn)真跑代碼了并且認(rèn)真看文章了的話） 。

大家都會(huì)比較Tensorflow2和pytorch之間孰優(yōu)孰劣，但是我們也并不是非要二者選一，兩者都是深度學(xué)習(xí)的工具，其實(shí)我們或多或少應(yīng)該了解一些比較好。就好比，PyTorch是沖鋒槍，TensorFlow是步槍，在上戰(zhàn)場(chǎng)前，我們可以選擇帶上沖鋒槍還是步槍，但是在戰(zhàn)場(chǎng)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(shí)候，用Pytorch還是Tensorflow的選擇權(quán)不在自己。

此外，了解了TensorFlow，大家才能更好的理解PyTorch和TF究竟有什么區(qū)別。我見過有的大佬是TF和PyTorch一起用在一個(gè)項(xiàng)目中，數(shù)據(jù)讀取用PyTorch然后模型用TF構(gòu)建。

總之，大家有時(shí)間有精力的話，順便學(xué)學(xué)TF也不虧，更何況TF2.0現(xiàn)在已經(jīng)優(yōu)化了很多。本系列預(yù)計(jì)用3節(jié)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(gè)簡單的小實(shí)戰(zhàn)。MNIST手寫數(shù)字分類，Fashion MNIST時(shí)尚服裝分類。

1 Tensorflow的安裝

安裝TensorFlow的方法很簡單，就是在控制臺(tái)執(zhí)行：

pip?install?tensorflow?--user

這里的--user是賦予這個(gè)命令執(zhí)行權(quán)限的，一般我都會(huì)帶上。

2 數(shù)據(jù)集構(gòu)建

# keras是TF的高級(jí)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(dǎo)入需要用到的庫函數(shù). 正如torchvision.datasets中一樣，keras.datasets中也封裝了一些常用的數(shù)據(jù)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(jié)果是：

訓(xùn)練數(shù)據(jù)集中有60000個(gè)樣本，每一個(gè)樣本和MNIST手寫數(shù)字大小是一樣的，是大小的，然后每一個(gè)樣本有一個(gè)標(biāo)簽，這個(gè)標(biāo)簽和MNIST也是一樣的，是從0到9，是一個(gè)十分類任務(wù)。

來看一下這些類別有哪些：

標(biāo)簽類別標(biāo)簽類別

0	T-shirt	5	Sandal
1	Trouser	6	Shirt
2	Pullover	7	Sneaker
3	Dress	8	Bag
4	Coat	9	Ankle boot

這里學(xué)學(xué)單詞吧:

• T-shirt就是T型的襯衫，就是短袖，我感覺前面沒有扣子的那種也叫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(wèi)衣吧感覺；

• dress連衣裙；

• coat是外套；

• sandal是涼鞋；

• sneaker是運(yùn)動(dòng)鞋；

• ankle boot是短靴，是到腳踝的那種靴子；

• 這里補(bǔ)充一個(gè)吧，sweater，是毛線衣，運(yùn)動(dòng)衫，這個(gè)和pullover有些類似，個(gè)人感覺主要的區(qū)分在于運(yùn)動(dòng)系列的可以叫做sweater，其他的毛衣衛(wèi)衣是pullover。

運(yùn)動(dòng)短袖T-shirt+運(yùn)動(dòng)衛(wèi)衣sweater是我秋天去健身房的穿搭。

2 預(yù)處理

這里不做圖像增強(qiáng)之類的了，上面的數(shù)據(jù)中，圖像像素值是從0到255的，我們要把這些標(biāo)準(zhǔn)化成0到1的范圍。

train_images?=?train_images?/?255.0 test_images?=?test_images?/?255.0

3 構(gòu)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(gè)用keras構(gòu)建簡單模型的例子：

• keras.layers.Flatten是把的二維度拉平成一個(gè)維度，因?yàn)檫@里是直接用全連接層而不是卷積層進(jìn)行處理的；

• 后面跟上兩個(gè)全連接層keras.layers.Dense()就行了。我們可以發(fā)現(xiàn)，這個(gè)全連接層的參數(shù)和PyTorch是有一些區(qū)別的：

PyTorch的全連接層需要一個(gè)輸入神經(jīng)元數(shù)量和輸出數(shù)量torch.nn.Linear(5,10),而keras中的Dense是不需要輸入?yún)?shù)的keras.layers.Dense(10)；

keras中的激活層直接封裝在了Dense函數(shù)里面，所以不需要像PyTorch一樣單獨(dú)寫一個(gè)nn.ReLU()了。

4 優(yōu)化器

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

定義優(yōu)化器和損失函數(shù)，在keras中叫做對(duì)模型進(jìn)行編譯compile（在C語言中，在運(yùn)行代碼之前都需要對(duì)代碼進(jìn)行編譯嘛）。損失函數(shù)和優(yōu)化器還有metric衡量指標(biāo)的設(shè)置都在模型的編譯函數(shù)中設(shè)置完成。

上面使用Adam作為優(yōu)化器，然后損失函數(shù)用了交叉熵，然后衡量模型性能的使用了準(zhǔn)確率Accuracy。

5 訓(xùn)練與預(yù)測(cè)

model.fit(train_images,?train_labels,?epochs=10)

這就是訓(xùn)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(gè).evaluate方法是對(duì)模型的驗(yàn)證集進(jìn)行驗(yàn)證的，因?yàn)楸敬稳蝿?wù)中并沒有對(duì)訓(xùn)練數(shù)據(jù)再劃分出驗(yàn)證集，所以這里直接使用測(cè)試數(shù)據(jù)了。

大家應(yīng)該能理解訓(xùn)練集、驗(yàn)證集和測(cè)試集的用途和區(qū)別吧，我在第二課講過這個(gè)內(nèi)容，在此不多加贅述。

predictions?=?model.predict(test_images)

這個(gè).predict方法才是用在測(cè)試集上，進(jìn)行未知標(biāo)簽樣本的類別推理的。

本次內(nèi)容到此為止，大家應(yīng)該對(duì)keras和tensorflow有一個(gè)直觀淺顯的認(rèn)識(shí)了。當(dāng)然tensorflow也有一套類似于PyTorch中的dataset，dataloader的那樣自定義的數(shù)據(jù)集加載器的方法，在后續(xù)內(nèi)容中會(huì)深入淺出的學(xué)一下。

- END -

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群請(qǐng)掃碼進(jìn)群（如果是博士或者準(zhǔn)備讀博士請(qǐng)說明）：

總結(jié)

以上是生活随笔為你收集整理的【小白学PyTorch】15.TF2实现一个简单的服装分类任务的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。