准备工作        

本笔记是假设您已经安装了Windows系统或Ubuntu系统的Anaconda（或 Miniconda）、Jupyter Notebook、TensorFLow，稍微了解Python语言，并可以进行一点点操作的基础上进行的。

        如果您还不具备这个条件，去看我的政安晨笔记里关于准备工作的文章：

基于Anaconda安装TensorFlow并尝试一个神经网络小实例https://blog.csdn.net/snowdenkeke/article/details/135841281示例讲解机器学习工具Jupyter Notebook入门（超级详细）https://blog.csdn.net/snowdenkeke/article/details/135880886实例讲解深度学习工具PyTorch在Ubuntu系统上的安装入门（基于Miniconda）（非常详细）https://blog.csdn.net/snowdenkeke/article/details/135887509

基于Ubuntu系统的Miniconda安装Jupyter Notebookhttps://blog.csdn.net/snowdenkeke/article/details/135919533

基于Ubuntu系统的Miniconda安装TensorFlow并使用Jupyter Notebook在多个Conda虚拟环境下管理测试https://blog.csdn.net/snowdenkeke/article/details/135905122

当您准备好了之后，让咱们开始接下来有趣的旅程。

一、走一个机器学习里的“Hello World”

打开Jupyter Notebook，新建一个笔记文件：tf-hellloworld。

（虽然这个程序我在我另外的文章中示例过了，但它比较典型，可以着重使用一下）

将下述代码复制到笔记本的cell单元格中：

import tensorflow as tf
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 / 255.0model = 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'])model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

如下图所示：

完成训练后，您也完成了这个Hello World，同时也证明您电脑中的TensorFlow是可用的，咱们就可以往下继续了。

二、再做一个简单的机器学习示例并说明一下

咱们新建一个文件（ExampleofKeras）：

在笔记的单元格中输入如下代码：

import tensorflow as tfmnist = 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 / 255.0model = 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)
])predictions = model(x_train[:1]).numpy()
predictionstf.nn.softmax(predictions).numpy()loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)loss_fn(y_train[:1], predictions).numpy()model.compile(optimizer='adam',loss=loss_fn,metrics=['accuracy'])model.fit(x_train, y_train, epochs=5)model.evaluate(x_test,  y_test, verbose=2)probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()
])probability_model(x_test[:5])

保存并执行一下：

上面这个程序做了如下这么几件事：

1. 加载一个预构建的数据集。
2. 构建对图像进行分类的神经网络机器学习模型。
3. 训练此神经网络。
4. 评估模型的准确率。

接下来分步骤分析一下：

第一步：设置 TensorFlow

首先将 TensorFlow 导入到您的程序：

import tensorflow as tf

第二步: 加载数据集

加载并准备MNIST数据集。将样本数据从整数转换为浮点数：

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

第三步：构建机器学习模型

通过堆叠层来构建tf.keras.Sequential模型。

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)
])

对于每个样本，模型都会返回一个包含logits或log-odds分数的向量，每个类一个。

predictions = model(x_train[:1]).numpy()
predictions

logits：

分类模型生成的原始（非规范化）预测向量，通常会将其传递给规范化函数。如果模型解决的是多类分类问题，对数通常会成为 softmax 函数的输入。然后，softmax 函数会生成一个（归一化）概率向量，每个可能的类别都有一个值。

log-odds:

某些事件发生的几率的对数。

tf.nn.softmax函数将这些 logits 转换为每个类的概率：

tf.nn.softmax(predictions).numpy()

虽然还可以将tf.nn.softmax烘焙到网络最后一层的激活函数中。虽然这可以使模型输出更易解释，但不建议使用这种方式，因为在使用 softmax 输出时不可能为所有模型提供精确且数值稳定的损失计算。

使用SparseCategoricalCrossentropy为训练定义损失函数，它会接受 logits 向量和 True 索引，并为每个样本返回一个标量损失。

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

此损失等于 true 类的负对数概率：如果模型确定类正确，则损失为零。

这个未经训练的模型给出的概率接近随机（每个类为 1/10），因此初始损失应该接近 -tf.math.log(1/10) ~= 2.3。

loss_fn(y_train[:1], predictions).numpy()

在开始训练之前，使用 Keras model.compile 配置和编译模型。将optimizer类设置为 adam，将 loss 设置为您之前定义的 loss_fn 函数，并通过将 metrics 参数设置为 accuracy 来指定要为模型评估的指标。

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

第四步：训练并评估模型

使用model.fit方法调整您的模型参数并最小化损失

model.fit(x_train, y_train, epochs=5)

 方法通常在 "Validation-set" 或 "Test-set" 上检查模型性能。

model.evaluate(x_test,  y_test, verbose=2)

Validation-set 说明：

针对训练好的模型进行初始评估的数据集子集。通常情况下，在根据测试集评估模型之前，要根据验证集多次评估训练有素的模型。
传统上，数据集中的示例分为以下三个不同的子集：
训练集
验证集
测试集
理想情况下，数据集中的每个示例应只属于前面的一个子集。例如，一个例子不应同时属于训练集和验证集。

Test-set 说明：

数据集的子集，用于测试训练有素的模型。
传统上，我们将数据集中的示例分为以下三个不同的子集：
训练集
验证集
测试集
数据集中的每个示例只能属于前面的一个子集。例如，一个例子不应同时属于训练集和测试集。
训练集和验证集都与模型的训练密切相关。由于测试集仅与训练间接相关，因此测试损失是一个比训练损失或验证损失更少偏差、更高质量的指标。

现在，这个照片分类器的准确度已经达到 98%。

如果您想让模型返回概率，可以封装经过训练的模型，并将 softmax 附加到该模型：

probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()
])

probability_model(x_test[:5])

结论

恭喜小伙伴！您已经利用Keras API 基于预构建数据集成功训练了一个机器学习模型。这是全新的开始，是您在机器学习领域深入探索的第一步。这是全新的领域，充满挑战，但同时，也充满着机会。