今天，Google 發布了 TensorFlow 2.0 的 alpha 版本，真是千呼萬喚始出來，對應的 2.0 官方教程 也釋出，本文翻譯了官方最簡單的一個教程，帶你入門 TensorFlow。

有條件的人，可以直接在 colab 上運行代碼：https://colab.research.google.com/notebooks/welcome.ipynb

對 TensorFlow 比較熟悉或者已經使用過 tf.keras API 的可以看 進階教程。

由于 TensorFlow 升級到了 2.0 alpha 版本，因此需要先安裝：

# CPU 版本 pip install tensorflow==2.0.0-alpha0# GPU 版本 pip install tensorflow-gpu==2.0.0-alpha0

開始導入

from __future__ import absolute_import, division, print_functionimport tensorflow as tf

載入 MNIST 數據集，并將整型轉換為浮點型，除以 255 是為了歸一化。

mnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0

也可以使用 TensorFlow 新出的 tensorflow-datasets 載入數據集，傳送門。

使用 tf.keras.Sequential 建立模型，并且選擇優化器和損失函數

model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28, 28)),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10, activation='softmax') ])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

代碼解釋：

• Sequential 用于建立序列模型
• Flatten 層用于展開張量，input_shape 定義輸入形狀為 28x28 的圖像，展開后為 28*28 的張量。
• Dense 層為全連接層，輸出有 128 個神經元，激活函數使用 relu。
• Dropout 層使用 0.2 的失活率。
• 再接一個全連接層，激活函數使用 softmax，得到對各個類別預測的概率。
• 優化器選擇 Adam 優化器。
• 損失函數使用 sparse_categorical_crossentropy，還有一個損失函數是 categorical_crossentropy，兩者的區別在于輸入的真實標簽的形式，sparse_categorical 輸入的是整形的標簽，例如 [1, 2, 3, 4]，categorical 輸入的是 one-hot 編碼的標簽。

然后訓練評估模型

model.fit(x_train, y_train, epochs=5)model.evaluate(x_test, y_test) Epoch 1/5 60000/60000 [==============================] - 8s 137us/sample - loss: 0.2946 - accuracy: 0.9139 Epoch 2/5 60000/60000 [==============================] - 7s 124us/sample - loss: 0.1423 - accuracy: 0.9578 Epoch 3/5 60000/60000 [==============================] - 8s 131us/sample - loss: 0.1059 - accuracy: 0.9677 Epoch 4/5 60000/60000 [==============================] - 8s 127us/sample - loss: 0.0872 - accuracy: 0.9729 Epoch 5/5 60000/60000 [==============================] - 7s 125us/sample - loss: 0.0739 - accuracy: 0.9768 10000/10000 [==============================] - 1s 87us/sample - loss: 0.0747 - accuracy: 0.9783 [0.07466811984921806, 0.9783]

fit 用于訓練模型，對訓練數據遍歷一次為一個 epoch，這里遍歷 5 次。
evaluate 用于評估模型，返回的數值分別是損失和指標。

可以看到，我們訓練的圖像分類器在 MNIST 上有接近 98% 的準確率。

總結

以上是生活随笔為你收集整理的TensorFlow 2.0 极简教程，不到 20 行代码带你入门的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。