lesliecheni / mystudy_tensorflow

Pythonnote

这将记录我从零开始学习tensorflow2.x板块

准备工作：安装tensorflow

tensorflow 分为 cpu 版本 和 gpu版本

这里，我们主要了解cpu版本的tensorflow 选择的安装方法为: cmd 中 执行 pip install tensorflow

• 遇到的坑：如果电脑中没有Microsoft Visual Studio 2015-2019的话， 安装结束后 ，在import的时候会报错
• 安装成功检测： 在cmd中输入 pip install tensorflow 出现一系列的 Requirement already satisfied:... 随后进入python解释器，试着import tensorflow as tf， 如果没有报错，即安装成功！

下面就进入每天的学习把！ （每一天的代码里都会有我自己详细的注释，自己查阅资料的笔记，以及自己的思考等...）

• 为了方便不同平台的使用者，每天的代码都会以.ipynb的格式和.py的格式上传。

day1 : 读取fashion_mnist的数据集

• 首先介绍一下Fashion MNIST数据集,它是7万张灰度图像组成,可以分成10个类别.每个灰度图像都是28*28像素的图像.我们将使用其中的6万张进行训练网络,另外的1万张来评估准确率.
• 他是为了后面的利用tensorflow进行该数据集的基本分类问题来做准备

day2 : 对fashion_mnist建模并对其进行图像分类测试

• 根据day1的数据，来建立预测模型，完成了第一个模型的建立。 并进行对测试集的准确率测试。

day3 : 对fashion_mnist数据集进行归一化处理

• 对fashion_mnist数据集进行归一化处理， 对归一化之后的数据集进行归一化建模， 对比和没有归一化数据建立的模型， 发现准确率有了一定程度的提升。所以，对于数据集进行归一化处理还是相当有必要的。

day4 : 回调函数的使用

• 建立之前的模型的时候，调用Keras.callbacksAPI里的方法(ModelCheckpoint, EarlyStopping , TensorBoard)
• 还有其他的方法，可以参考中文文档 https://keras.io/zh/callbacks/#_1
• 对于tensorboard 的调用， 可以见day4 里的三张截图， 打开步骤： 在callbacks所在的根目录下，进行cmd命令的调用，然后 输入tensorboard --logdir callbacks, 调用以后 输入（我这里）localhost:6006

day5 : 实现简单的深度神经网络

• 基于之前的数据集，建立最简单的深度神经网络
• 使用for _ in range(20) 建立20层神经网络， 使用relu 和 softmax 的激活函数

day6 : 实站批归一化、激活函数、dropout

• 对之前的模型，进行数据的批归一化、激活函数的更改尝试、以及dropout的使用，dropout的使用是为了缓解过拟合现象

day7 : 实现回归模型

• 引用新的数据集，也是keras.datasets里的加利福利亚的房价数据

day8 : 实现Wide&Deep模型

• 使用之前回归模型的房价数据
• wide&deep ---函数API实现
• subclass ---子类API实现
• multi-input , multi-output ---多输入， 多输出实现