没有合适的资源?快使用搜索试试~ 我知道了~
首页中文版Tensorflow手册Tutorial
中文版Tensorflow手册Tutorial
4星 · 超过85%的资源 需积分: 40 83 下载量 45 浏览量
更新于2023-03-16
评论
收藏 4.28MB PDF 举报
https://www.tensorflow.org/tutorials/中文手册,由于官网只有网页版,使用python进行了下载,具体下载方法请参见我的主页。 PS:由于官网更新进度问题,大概只有80%的翻译成了中文。
资源详情
资源评论
资源推荐
开始使用 TensorFlow
学习和使用机器学习
概述
基本分类
文本分类
回归
过拟合和欠拟合
保存和恢复模型
研究和实验
概述
Eager Execution
自动微分
自定义训练:基础知识
自定义层
自定义训练:演示
生产规模下的机器学习
使用 Estimator 构建线性模型
宽度学习和深度学习
提升树
使用 TF-Hub 构建文本分类器
使用 Estimator 构建 CNN
生成模型
基于注意力的翻译
图像说明
DCGAN
VAE
图像
Pix2Pix
神经风格迁移
图像分割
图像识别
图像再训练
高级 CNN
序列
使用 RNN 生成文字
递归神经网络
绘图分类
简单的音频识别
神经机器翻译
数据表示法
字词的向量表示法
核方法
大型线性模型
非机器学习
Mandelbrot 集合
偏微分方程
后续学习计划
学习和使用机器学习学习和使用机器学习
TensorFlow
学习
教程
学习和使用机器学习学习和使用机器学习
此笔记本系列的灵感源自《
使用
Python
进行深度学习
》一书。这些教程使用 TensorFlow 的高阶 Python API tf.keras 构建和
训练深度学习模型。要详细了解如何在 TensorFlow 中使用 Keras,请参阅 TensorFlow Keras 指南。
出版商备注:《使用 Python 进行深度学习》介绍了深度学习领域,采用的是 Python 语言和功能强大的 Keras 库。本书由 Keras
创建者兼 Google AI 研究员 François Chollet 编著,通过直观说明和实际示例加深读者的理解。
要了解机器学习的基础知识和概念,建议您学习机器学习速成课程。我们在后续学习计划中列出了其他 TensorFlow 和机器学习
在 Google Colab 中运行 查看 GitHub 上的源代码
资源。
1. 基本分类
2. 文本分类
3. 回归
4. 过拟合和欠拟合
5. 保存和恢复模型
Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 3.0 License, and code samples
are licensed under the Apache 2.0 License. For details, see our Site Policies. Java is a registered trademark of Oracle and/or its affiliates.
上次更新日期:十一月 29, 2018
TensorFlow
学习
教程
训练首个神经网络:基本分类训练首个神经网络:基本分类
本指南会训练一个对服饰(例如运动鞋和衬衫)图像进行分类的神经网
络模型。即使您不了解所有细节也没关系,本教程只是简要介绍了一个
完整的 TensorFlow 程序,而且后续我们会详细介绍。
本指南使用的是 tf.keras,它是一种用于在 TensorFlow 中构建和训练模型的高阶 API。
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
1.12.0-rc1
导入导入 Fashion MNIST 数据集数据集
本指南使用 Fashion MNIST 数据集,其中包含 70000 张灰度图像,涵盖 10 个类别。以下图像显示了单件服饰在较低分辨率
(28x28 像素)下的效果:
图图 1. Fashion-MNIST 样本(来自 Zalando,MIT 许可证)。
Fashion MNIST 的作用是成为经典 MNIST 数据集的简易替换,后者通常用作计算机视觉机器学习程序的“Hello, World”入门数据
集。MNIST 数据集包含手写数字(0、1、2 等)的图像,这些图像的格式与我们在本教程中使用的服饰图像的格式相同。
本指南使用 Fashion MNIST 实现多样化,并且它比常规 MNIST 更具挑战性。这两个数据集都相对较小,用于验证某个算法能
否如期正常运行。它们都是测试和调试代码的良好起点。
我们将使用 60000 张图像训练网络,并使用 10000 张图像评估经过学习的网络分类图像的准确率。您可以从 TensorFlow 直接访
问 Fashion MNIST,只需导入和加载数据即可:
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 1s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 0s 0us/step
加载数据集会返回 4 个 NumPy 数组:
train_images 和 train_labels 数组是训练集,即模型用于学习的数据。
测试集 test_images 和 test_labels 数组用于测试模型。
图像为 28x28 的 NumPy 数组,像素值介于 0 到 255 之间。标签是整数数组,介于 0 到 9 之间。这些标签对应于图像代表的服
饰所属的类别:
标签标签 类别类别
0 T 恤衫/上衣
1 裤子
2
套衫
3 裙子
4 外套
5 凉鞋
6 衬衫
7 运动鞋
8 包包
9 踝靴
每张图像都映射到一个标签。由于数据集中不包含类别名称,因此将它们存储在此处,以便稍后在绘制图像表时使用:
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
探索数据探索数据
我们先探索数据集的格式,然后再训练模型。以下内容显示训练集中有 60000 张图像,每张图像都表示为 28x28 像素:
train_images.shape
(60000, 28, 28)
同样,训练集中有 60000 个标签:
len(train_labels)
60000
每个标签都是一个介于 0 到 9 之间的整数:
train_labels
array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)
测试集中有 10000 张图像。同样,每张图像都表示为 28x28 像素:
test_images.shape
(10000, 28, 28)
测试集中有 10000 个图像标签:
len(test_labels)
10000
预处理数据预处理数据
必须先对数据进行预处理,然后再训练网络。如果您检查训练集中的第一张图像,就会发现像素值介于 0 到 255 之间:
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
我们将这些值缩小到 0 到 1 之间,然后将其馈送到神经网络模型。为此,将图像组件的数据类型从整数转换为浮点数,然后除
以 255。以下是预处理图像的函数:
务必要以相同的方式对训练集和测试集进行预处理:
train_images = train_images / 255.0
test_images = test_images / 255.0
显示训练集中的前 25 张图像,并在每张图像下显示类别名称。验证确保数据格式正确无误,然后我们就可以开始构建和训练
网络了。
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
构建模型构建模型
构建神经网络需要先配置模型的层,然后再编译模型。
设置层设置层
神经网络的基本构造块是层。层从馈送到其中的数据中提取表示结果。希望这些表示结果有助于解决手头问题。
大部分深度学习都会把简单的层连在一起。大部分层(例如 tf.keras.layers.Dense)都具有在训练期间要学习的参数。
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
该网络中的第一层 tf.keras.layers.Flatten 将图像格式从二维数组(28x28 像素)转换成一维数组(28 * 28 = 784 像
素)。可以将该层视为图像中像素未堆叠的行,并排列这些行。该层没有要学习的参数;它只改动数据的格式。
在扁平化像素之后,该网络包含两个 tf.keras.layers.Dense 层的序列。这些层是密集连接或全连接神经层。第一个
Dense 层具有 128 个节点(或神经元)。第二个(也是最后一个)层是具有 10 个节点的 softmax 层,该层会返回一个具有 10
个概率得分的数组,这些得分的总和为 1。每个节点包含一个得分,表示当前图像属于 10 个类别中某一个的概率。
编译模型编译模型
模型还需要再进行几项设置才可以开始训练。这些设置会添加到模型的编译步骤:
损失函数 - 衡量模型在训练期间的准确率。我们希望尽可能缩小该函数,以“引导”模型朝着正确的方向优化。
优化器 - 根据模型看到的数据及其损失函数更新模型的方式。
指标 - 用于监控训练和测试步骤。以下示例使用准确率,即图像被正确分类的比例。
剩余153页未读,继续阅读
Haw_key
- 粉丝: 0
- 资源: 2
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- ExcelVBA中的Range和Cells用法说明.pdf
- 基于单片机的电梯控制模型设计.doc
- 主成分分析和因子分析.pptx
- 共享笔记服务系统论文.doc
- 基于数据治理体系的数据中台实践分享.pptx
- 变压器的铭牌和额定值.pptx
- 计算机网络课程设计报告--用winsock设计Ping应用程序.doc
- 高电压技术课件:第03章 液体和固体介质的电气特性.pdf
- Oracle商务智能精华介绍.pptx
- 基于单片机的输液滴速控制系统设计文档.doc
- dw考试题 5套.pdf
- 学生档案管理系统详细设计说明书.doc
- 操作系统PPT课件.pptx
- 智慧路边停车管理系统方案.pptx
- 【企业内控系列】企业内部控制之人力资源管理控制(17页).doc
- 温度传感器分类与特点.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论3