1.前 言

之前习惯了TensorFlow，也没怎么用keras。现在升级2.0版本后，语法习惯还是有很大差别，封装的更厉害。事物总是向前发展的，技术更是快，想想还是的保持一颗学习的心，准备计划系统的学习下TensorFlow2.0，边学边写。那就从mnist入门开始，后续不断更新。

2.数据载入

---

 #引入包，在调用通用的cnn，rnn等模型在都keras.layers下

import tensorflow as tf

from tensorflow.keras import layers

# Load mnist data

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

# Normalize data，将图像的像素值都处理到[0,1]范围

x_train = x_train.reshape(-1, 28,28,1).astype('float32') / 255

x_test = x_test.reshape(-1, 28,28,1).astype('float32') / 255

3.模型构建

---

 # Add model

model = tf.keras.Sequential()

# Add three convoluational layers and pool layers，使用3层卷积层和对应的最大池化层，卷积核为3，池化大小为2

#convoluational layer1

model.add(layers.Conv2D(input_shape=(28,28,1),filters=32,kernel_size=(3,3),kernel_initializer='he_normal',

                        strides=1,padding='same',activation='relu',name='conv1'))

#maxpooling layer1

model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool1'))

#convoluational layer2

model.add(layers.Conv2D(filters=64,kernel_size=(3,3),kernel_initializer='he_normal',

                        strides=1,padding='same',activation='relu',name='conv2'))

#maxpooling layer2

model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool2'))

#convoluational layer3

model.add(layers.Conv2D(filters=128,kernel_size=(3,3),kernel_initializer='he_normal',

                        strides=1,padding='same',activation='relu',name='conv3'))

#maxpooling layer3

model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool3'))

 #Add flatten ,dropout ,and FC layer，卷积池化后加一个Flatten层，然后加一个dropout，最后加一个softmax进行分类；

model.add(layers.Flatten(name='flatten'))

model.add(layers.Dropout(rate=0.5,name='dropout'))

model.add(layers.Dense(10,activation='softmax'))

---

4.模型编译

# Compile model 使用交叉熵，RMSprop优化方法，评价方法按accuracy

model.compile(loss='sparse_categorical_crossentropy',optimizer=tf.keras.optimizers.RMSprop(),metrics=['accuracy'])

print(model.summary())

通过model.summary()可以看到上述构建模型的概貌，以及每层的参数情况；

---

5.模型训练

#fit model，使用fit函数就可以进行模型训练，参数需要输入训练数据，训练epoch和batch_size, 其实还有其他参数，不指定就按默认的

model.fit(x_train,y_train,epochs=5,batch_size=64)

训练5轮，最后显示在训练集上准确率为99.3%左右，差不多跟最优的结果很近。

---

6.模型测试

#evaluate data, 使用model.evaluate函数就可以进行模型测试

model.evaluate(x_test,y_test)

测试的结果为98.84%

---

7.结 语

对比之前的版本，在使用TensorFlow2.0感觉就是很多步骤都用一个函数代替了，这样好处就是不用去懂里面实现的细节，只管模型能跑出结果就行；不好就是抛弃对更深层细节的理解，内心觉得之前session方式挺好的....，没办法，谁叫东西是人家的，只能跟着人家的脚步走~。

参考：

https://www.tensorflow.org/api_docs/python/tf

https://zhuanlan.zhihu.com/p/58825710