导语
Keras是一个高级API接口，用于构建和训练神经网络模型。它是TensorFlow的一部分，提供了一种简洁、直观的方式来创建深度学习模型。
Keras的主要特点如下：
简洁易用：Keras提供了一组简单的函数和类，使模型的创建和训练变得容易上手。它的API设计注重用户友好性和可读性。
模块化：Keras提供了一系列模块化的组件，可以灵活地构建各种类型的神经网络模型。它支持常见的网络层（如全连接层、卷积层、循环层等），并且可以轻松地自定义模型结构。
多后端支持：Keras可以在多个深度学习框架之间切换使用，包括TensorFlow、Theano和CNTK。这使得Keras非常灵活，并且适用于不同的使用场景。
内置算法和损失函数：Keras提供了许多内置的算法和损失函数，如SGD、Adam、Cross Entropy等。这些算法和损失函数已经经过优化和测试，可以直接应用于模型训练过程。
可扩展性：Keras支持方便地使用自定义的层、损失函数和评估指标。这使得用户可以根据自己的需求对Keras进行扩展，以满足更复杂的任务和模型结构。
并行计算：Keras支持在多个GPU上进行并行计算，可以加速模型的训练和推断过程。
Keras的使用步骤如下：
安装Keras：可以通过pip安装Keras，也可以直接在TensorFlow中使用Keras。
导入库：在使用Keras之前，需要导入相应的库，如tensorflow.keras或者keras。
构建模型：通过调用Keras的函数和类，可以构建不同类型的神经网络模型。可以选择性地添加网络层、激活函数、正则化等。
编译模型：在训练模型之前，需要对模型进行编译。这包括选择合适的优化器、损失函数和评估指标。
训练模型：通过调用模型的fit函数，可以用训练数据来训练模型。可以设置训练的批次大小、训练的轮数和验证集等。
评估模型：训练完成后，可以使用测试数据对模型进行评估。通过调用模型的evaluate函数，可以得到模型在测试数据上的损失值和指标值。
使用模型：训练好的模型可以用于预测未知数据。通过调用模型的predict函数，可以得到模型对新数据的预测结果。
总的来说，Keras是一个强大而灵活的深度学习框架，提供了简单易用的API接口，可以帮助用户快速构建和训练神经网络模型。它在TensorFlow中的集成使得深度学习变得更加便捷和高效。
演绎开始
本笔记将跟随TensorFlow官方指南训练一个神经网络模型，对运动鞋和衬衫等服装图像进行分类。即使您不理解所有细节也没关系；这只是对完整 TensorFlow 程序的快速概述，详细内容会在您实际操作的同时进行介绍。
本指南使用了 tf.keras，它是 TensorFlow 中用来构建和训练模型的高级 API。
# TensorFlow and tf.keras
import tensorflow as tf
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)因为，示例中涉及到了 matplotlib ，咱们在tensorflow的虚拟环境中安装一下：
pip install matplotlib
安装成功后，执行上述代码如下：
导入 Fashion MNIST 数据集
本笔记使用Fashion MNIST数据集：
Fashion MNIST
https://github.com/zalandoresearch/fashion-mnist
该数据集包含 10 个类别的 70,000 个灰度图像。
图片如下··· > 这些图像以低分辨率（28x28 像素）展示了单件衣物：
Fashion MNIST 旨在临时替代经典MNIST数据集，后者常被用作计算机视觉机器学习程序的“Hello, World”。MNIST 数据集包含手写数字（0、1、2 等）的图像，其格式与您将使用的衣物图像的格式相同。
本指南使用 Fashion MNIST 来实现多样化，因为它比常规 MNIST 更具挑战性。这两个数据集都相对较小，都用于验证某个算法是否按预期工作。对于代码的测试和调试，它们都是很好的起点。
在本指南中，我们使用 60,000 张图像来训练网络，使用 10,000 张图像来评估网络学习对图像进行分类的准确程度。您可以直接从 TensorFlow 中访问 Fashion MNIST。直接从 TensorFlow 中导入和加载 Fashion MNIST 数据：
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()加载数据集会返回四个 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数组会被用来对模型进行测试。
执行如下：
加载数据集会返回四个 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数组会被用来对模型进行测试。
图像是 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所代表的服装类：
| 标签 | 类 |
|---|---|
| 0 | T恤/上衣 |
| 1 | 裤子 |
| 2 | 套头衫 |
| 3 | 连衣裙 |
| 4 | 外套 |
| 5 | 凉鞋 |
| 6 | 衬衫 |
| 7 | 运动鞋 |
| 8 | 包 |
| 9 | 短靴 |
每个图像都会被映射到一个标签。由于数据集不包括类名称，请将它们存储在下方，供稍后绘制图像时使用：
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']浏览数据
在训练模型之前，我们先浏览一下数据集的格式。以下代码显示训练集中有 60,000 个图像，每个图像由 28 x 28 的像素表示：
train_images.shape咱们的执行如下图所示：
同样，训练集中有 60,000 个标签：
len(train_labels)
每个标签都是一个 0 到 9 之间的整数：
train_labels
测试集中有 10,000 个图像。同样，每个图像都由 28x28 个像素表示：
test_images.shape
测试集包含 10,000 个图像标签：
len(test_labels)
预处理数据
在训练网络之前，必须对数据进行预处理。如果您检查训练集中的第一个图像，您会看到像素值处于 0 到 255 之间：
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()
将这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型。为此，请将这些值除以 255。请务必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
为了验证数据的格式是否正确，以及您是否已准备好构建和训练网络，让我们显示训练集中的前 25 个图像，并在每个图像下方显示类名称。
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]])
plt.show()
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
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。大多数层（如tf.keras.layers.Dense）都具有在训练期间才会学习的参数。
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)
])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。
注：上述代码开始需要算力，如果在CPU版本的tensorflow上运行上述代码（这也取决于tensorflow的版本），可能出现内核挂掉的额情况，为了将这个实验继续下去，我选择现在切换到Colaboratory（简称Colab）上，以在线的方式继续进行（关于Colab我以后会在其它笔记中为大家详细演绎）。
编译模型
在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：
- 损失函数 - 测量模型在训练期间的准确程度。你希望最小化此函数，以便将模型“引导”到正确的方向上。
- 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。以下示例使用了准确率，即被正确分类的图像的比率。
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])在Colab上执行如下：
训练模型
训练神经网络模型需要执行以下步骤：
- 将训练数据馈送给模型。在本例中，训练数据位于
train_images和train_labels数组中。 - 模型学习将图像和标签关联起来。
- 要求模型对测试集（在本例中为
test_images数组）进行预测。 - 验证预测是否与
test_labels数组中的标签相匹配。
向模型馈送数据
要开始训练，请调用 model.fit 方法，这样命名是因为该方法会将模型与训练数据进行“拟合”：
model.fit(train_images, train_labels, epochs=10)执行如下：
在模型训练期间，会显示损失和准确率指标。此模型在训练数据上的准确率达到了 0.91（或 91%）左右。
评估准确率
接下来，比较模型在测试数据集上的表现：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)执行如下:
结果表明，模型在测试数据集上的准确率略低于训练数据集。训练准确率和测试准确率之间的差距代表过拟合。过拟合是指机器学习模型在新的、以前未曾见过的输入上的表现不如在训练数据上的表现。过拟合的模型会“记住”训练数据集中的噪声和细节，从而对模型在新数据上的表现产生负面影响。
进行预测
模型经过训练后，您可以使用它对一些图像进行预测。附加一个 Softmax 层，将模型的线性输出 logits 转换成更容易理解的概率。
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])predictions = probability_model.predict(test_images)执行如下:
在上例中，模型预测了测试集中每个图像的标签。我们来看看第一个预测结果：
predictions[0]
预测结果是一个包含 10 个数字的数组。它们代表模型对 10 种不同服装中每种服装的“置信度”。您可以看到哪个标签的置信度值最大：
np.argmax(predictions[0])
因此，该模型非常确信这个图像是短靴，或 class_names[9]。通过检查测试标签发现这个分类是正确的：
test_labels[0]
您可以将其绘制成图表，看看模型对于全部 10 个类的预测。
def plot_image(i, predictions_array, true_label, img):
true_label, img = true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
true_label = true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
验证预测结果
在模型经过训练后，您可以使用它对一些图像进行预测。
我们来看看第 0 个图像、预测结果和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。数字表示预测标签的百分比（总计为 100）。
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
让我们用模型的预测绘制几张图像。请注意，即使置信度很高，模型也可能出错。
# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()
使用训练好的模型
最后，使用训练好的模型对单个图像进行预测。
# Grab an image from the test dataset.
img = test_images[1]
print(img.shape)
tf.keras模型经过了优化，可同时对一个批或一组样本进行预测。因此，即便您只使用一个图像，您也需要将其添加到列表中：
# Add the image to a batch where it's the only member.
img = (np.expand_dims(img,0))
print(img.shape)
现在预测这个图像的正确标签：
predictions_single = probability_model.predict(img)
print(predictions_single)
plot_value_array(1, predictions_single[0], test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)
plt.show()
keras.Model.predict会返回一组列表，每个列表对应一批数据中的每个图像。在批次中获取对我们（唯一）图像的预测：
np.argmax(predictions_single[0])
该模型会按照预期预测标签。
写在最后
至此，咱们顺利完成了TensorFlow官方给出的示例，这个示例对算力和TensorFlow版本还是有一定要求的，小伙伴们不妨跟着我的笔记尝试一下。
![[AG32VF407]国产MCU+FPGA 开发环境Supra及Quartus配置及led](https://img-blog.csdnimg.cn/direct/b158b8e92b0b4b8791fb3b7c62a170bd.png)
