【小白学PyTorch】15.TF2实现一个简单的服装分类任务

• 0 为什么学TF

• 1 Tensorflow的安装

• 2 数据集构建

• 2 预处理

• 3 构建模型

• 4 优化器

• 5 训练与预测

0 为什么学TF

之前的15节课的pytorch的学习，应该是让不少朋友对PyTorch有了一个全面而深刻的认识了吧 （如果你认真跑代码了并且认真看文章了的话） 。

大家都会比较Tensorflow2和pytorch之间孰优孰劣，但是我们也并不是非要二者选一，两者都是深度学习的工具，其实我们或多或少应该了解一些比较好。就好比，PyTorch是冲锋枪，TensorFlow是步枪，在上战场前，我们可以选择带上冲锋枪还是步枪，但是在战场上，可能手中的枪支没有子弹了，你只能在地上随便捡了一把枪。很多时候，用Pytorch还是Tensorflow的选择权不在自己。

此外，了解了TensorFlow，大家才能更好的理解PyTorch和TF究竟有什么区别。我见过有的大佬是TF和PyTorch一起用在一个项目中，数据读取用PyTorch然后模型用TF构建。

总之，大家有时间有精力的话，顺便学学TF也不亏，更何况TF2.0现在已经优化了很多。本系列预计用3节课来简单的入门一下Tensorflow2.

和PyTorch的第一课一样，我们直接做一个简单的小实战。MNIST手写数字分类，Fashion MNIST时尚服装分类。

1 Tensorflow的安装

安装TensorFlow的方法很简单，就是在控制台执行：

pip install tensorflow --user

这里的--user是赋予这个命令执行权限的，一般我都会带上。

2 数据集构建

# keras是TF的高级API，用起来更加的方便，一般也是用keras。
import tensorflow as tf
from tensorflow import keras
import numpy as np

导入需要用到的库函数. 正如torchvision.datasets中一样，keras.datasets中也封装了一些常用的数据集。

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)

输出结果是：

训练数据集中有60000个样本，每一个样本和MNIST手写数字大小是一样的，是大小的，然后每一个样本有一个标签，这个标签和MNIST也是一样的，是从0到9，是一个十分类任务。

来看一下这些类别有哪些：

这里学学单词吧:

• T-shirt就是T型的衬衫，就是短袖，我感觉前面没有扣子的那种也叫T-shirt；
• Shirt就是长袖的那种衬衫;
• Trouser是裤子；
• pullover是毛衣，套头毛衣，就是常说的卫衣吧感觉；
• dress连衣裙；
• coat是外套；
• sandal是凉鞋；
• sneaker是运动鞋；
• ankle boot是短靴，是到脚踝的那种靴子；
• 这里补充一个吧，sweater，是毛线衣，运动衫，这个和pullover有些类似，个人感觉主要的区分在于运动系列的可以叫做sweater，其他的毛衣卫衣是pullover。

运动短袖T-shirt+运动卫衣sweater是我秋天去健身房的穿搭。

2 预处理

这里不做图像增强之类的了，上面的数据中，图像像素值是从0到255的，我们要把这些标准化成0到1的范围。

train_images = train_images / 255.0
test_images = test_images / 255.0

3 构建模型

# 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')
])

这就是一个用keras构建简单模型的例子：

• keras.layers.Flatten是把的二维度拉平成一个维度，因为这里是直接用全连接层而不是卷积层进行处理的；
• 后面跟上两个全连接层keras.layers.Dense()就行了。我们可以发现，这个全连接层的参数和PyTorch是有一些区别的：
1. PyTorch的全连接层需要一个输入神经元数量和输出数量torch.nn.Linear(5,10),而keras中的Dense是不需要输入参数的keras.layers.Dense(10)；
2. keras中的激活层直接封装在了Dense函数里面，所以不需要像PyTorch一样单独写一个nn.ReLU()了。

4 优化器

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

定义优化器和损失函数，在keras中叫做对模型进行编译compile（在C语言中，在运行代码之前都需要对代码进行编译嘛）。损失函数和优化器还有metric衡量指标的设置都在模型的编译函数中设置完成。

上面使用Adam作为优化器，然后损失函数用了交叉熵，然后衡量模型性能的使用了准确率Accuracy。

5 训练与预测

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

这就是训练过程，相比PyTorch而言，更加的简单简洁，但是不像PyTorch那样灵活。

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest accuracy:', test_acc)

这个.evaluate方法是对模型的验证集进行验证的，因为本次任务中并没有对训练数据再划分出验证集，所以这里直接使用测试数据了。

大家应该能理解训练集、验证集和测试集的用途和区别吧，我在第二课讲过这个内容，在此不多加赘述。

predictions = model.predict(test_images)

这个.predict方法才是用在测试集上，进行未知标签样本的类别推理的。

本次内容到此为止，大家应该对keras和tensorflow有一个直观浅显的认识了。当然tensorflow也有一套类似于PyTorch中的dataset，dataloader的那样自定义的数据集加载器的方法，在后续内容中会深入浅出的学一下。