TensorFlow学习笔记

基于半个学期的深度学习，我将用老师曾经给过的一个项目来完成一次我的TensorFlow的学习笔记

首先，对于TensorFlow的理解，TensorFlow是一种较为完善的深度学习框架，支持所有流行变成语言开发，可以使用其内置函数使模型的搭建更加紧凑，此外，TensorFlow可在多平台上工作，允许将模型部署到工业生产中，并易于使用。

项目名称为基本分类：对服装图像进行分类，本项目是用TensorFlow搭建一个神经网络模型，对运动给和衬衫等服装图像进行分类

首先是导入该用的库

然后从keras中导入数据集

此时加载的数据会返回四个Numpy数组

train_images（数据）和train_labels（标签）数组是训练集，用于模型学习

图像是28x28的的Numpy的数组之间。像素值介到0到9之间，这些标签所对应的标签为

接下来需要预处理数据，通过检查训练集的第一个图像，会发现像素值处于0到255之间

将这些值缩小到0到1之间，所以，将这些值➗255

接下来构建模型

首先需要设置层

神经网络的基本组成部分是层。层会从向其馈送的数据中提取表示形式。希望这些表示形式有助于解决手头上的问题。

大多数深度学习都包括将简单的层链接在一起

该网络的第一层 tf.keras.layers.Flatten 将图像格式从二维数组（28 x 28 像素）转换成一维数组（28 x 28 = 784 像素）。将该层视为图像中未堆叠的像素行并将其排列起来。该层没有要学习的参数，它只会重新格式化数据。

展平像素后，网络会包括两个 tf.keras.layers.Dense 层的序列。它们是密集连接或全连接神经层。第一个 Dense 层有 128 个节点（或神经元）。第二个（也是最后一个）层会返回一个长度为 10 的 logits 数组。每个节点都包含一个得分，用来表示当前图像属于 10 个类中的哪一类

接下编译模型

在对模型进行训练之前。还需对其进行一些设置：

损失函数： 用于测量模型在训练期间的准确率

优化器 ：决定模型如何根据其看到的数据和自身的损失函数进行更新

指标 - 用于监控训练和测试步骤

接下来训练模型：

训练模型分为四个步骤