【3】TensorFlow光速入门-训练及评估

本文地址：https://www.cnblogs.com/tujia/p/13862357.html

 

系列文章：

【0】TensorFlow光速入门-序

【1】TensorFlow光速入门-tensorflow开发基本流程

【2】TensorFlow光速入门-数据预处理（得到数据集）

【3】TensorFlow光速入门-训练及评估

【4】TensorFlow光速入门-保存模型及加载模型并使用

【5】TensorFlow光速入门-图片分类完整代码

【6】TensorFlow光速入门-python模型转换为tfjs模型并使用

【7】TensorFlow光速入门-总结

 

一、导入需要的包

import tensorflow as tf
from tensorflow import keras
import numpy as np

 

二、初始化模型并配置神经网络层

model = keras.Sequential([
    # 展平数据，输入类型要和数据集保持一致，我这里是100*100的灰图
    keras.layers.Flatten(input_shape=(100, 100, 1)),
    # 第二层是神经元
    keras.layers.Dense(128, activation='relu'),
    # 第三层的参数很重要，2表示分两类，如果要分5类就传5,10类就传10
    keras.layers.Dense(2, activation='softmax')
])

注：如果是图片分类，这三层网络是固定搭配，需要注意的是，input_shape要和数据集数据保持一致，第三层分几类就传几；其他模型的层选择和配置，我们后面再慢慢了解

 

三、模型编译

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

注：同样，图片分类的优化器、损失函数及指标也是固定搭配，其他类型的模型我们后面再慢慢了解

 

四、训练

model.fit(ds, epochs=100, steps_per_epoch=10)

注1：ds 是上一节准备好的数据集；epochs 代表要训练多少次，steps_per_epoch 代表每一次分几步训练；因为我准备的数据比较少，所以设置的训练100次。数据多的话，不用训练那么多次。

注2：使用 ZipDataset 类型的数据集时，steps_per_epoch 参数为必填，其他情况，根据自己的情况可以不传。

 

五、评估（评估训练效果）

test_loss, test_acc = model.evaluate(ds, verbose=2, steps=10)

注1：正常情况下，训练要用训练集，评估要用测试集。因为偷懒的原故，这里我都用的同一个数据集。

注2：使用 ZipDataset 类型的数据集时，steps 参数为必填，其他情况，根据自己的情况可以不传。

 

六、预测

预测即使用的意思，评估通过的模型，可以直接使用了

predictions = model.predict(ds, steps=10)
label = np.argmax(predictions[0])
print(label_names[label])

注：这里批量预测，对整个数据集都进行预测，正式使用的时候，一般只预测一张图片就可以了，下一节会说。

 

重点 Api ：

keras.Sequential        https://tensorflow.google.cn/api_docs/python/tf/keras/Sequential

model.compile            https://tensorflow.google.cn/api_docs/python/tf/keras/Sequential#compile

https://tensorflow.google.cn/api_docs/python/tf/keras/optimizers

https://tensorflow.google.cn/api_docs/python/tf/keras/losses

https://tensorflow.google.cn/api_docs/python/tf/keras/metrics

model.fit                       https://tensorflow.google.cn/api_docs/python/tf/keras/Model#fit

model.evaluate            https://tensorflow.google.cn/api_docs/python/tf/keras/Model#evaluate

model.predict               https://tensorflow.google.cn/api_docs/python/tf/keras/Model#predict

 

至此，我们的图片分类模型已经训练好了。可以使用了模型来做图片分类预测了。

下一节，让我们来说一下，怎么保存这个训练好的模型。以及如何加载已保存的模型并使用：

【4】TensorFlow光速入门-保存模型及加载模型并使用

 

本文链接：https://www.cnblogs.com/tujia/p/13862357.html

---

 完。