TensorFlow 2入门指南初学者必备！

  TensorFlow是谷歌推出的深度学习框架，于2019年发布了第二版。 它是世界上最著名的深度学习框架之一，被行业专家和研究人员广泛使用。

  请记住，这不是有关深度学习的文章，所以我希望您了解深度学习的术语及其背后的基本思想。

  因此，我们的数据在 data 键中，目标在 targe 键中，依此类推。 如果要查看此数据集的详情信息，能够正常的使用 iris[ [DESCR]。

  在这里，我们从tensorflow中导入了2个主要的东西，分别是Dense和Sequential。 从tensorflow.keras.layers导入的Dense是紧密连接的一种层。 密集连接的层意味着先前层的所有节点都连接到当前层的所有节点。

  这样我们就能够正常的看到我们（很幸运地）没有缺失值，并且所有特征都是float64格式的。

  其中test_size是一种声明，它说明我们大家都希望整个数据集的10%被用来做为测试数据。

  一般情况下，当数据的偏差非常大的时候，我们会对数据来进行标准化。为了查看偏差值，我们大家可以使用pandas.DataFrame中的var()函数来检查所有列的偏差值。

  这样我们便可以看到，X_train和X_test的偏差值都非常低，因此无需对数据进行标准化。

  因为我们知道我们的输出数据是已经使用iris.target_name检查过的3个类之一，所以好消息是，当我们加载目标时，它们已经是0、1、2格式，其中0=1类，1=2类，依此类推。

  这种表示方式的问题在于，我们的模型可能会赋予越高的数字更高的优先级，这可能会导致结果有偏差。 因此，为了解决这个问题，我们将使用单热点表示法。 你可以在这里了解更多关于一个热门载体的信息。 我们能够正常的使用内置的KERS TO_CATEGRICAL，也可以使用skLearn中的OneHotEncoding。 我们将使用to_classical。

  我们可以做的最后一件事是将我们的数据转换回Numpy数组，这样我们就可以使用一些额外的函数，这些函数将在稍后的模型中对我们有所帮助。 要做到这一点，我们可以使用

  当我们在它们上使用to_Category时，我们的目标标签已经是数组格式。

  现在，我们终于准备好创建我们的模型并对其进行训练。 我们将从一个简单的模型开始，然后我们将转到复杂的模型结构，在那里我们将介绍Keras中的不同技巧和技术。

  首先，我们必须创建一个Sequential对象。 现在，要创建一个模型，我们所要做的就是根据我们的选择添加不同类型的层。 我们将制作一个10层的Dense层模型，这样我们就可以观察到过拟合，并在以后通过不同的正则化技术来减少它。

  请注意，在我们的第一层中，我们使用了一个额外的参数INPUT_Shape。 此参数指定第一层的尺寸。 在这种情况下，我们不关心训练示例的数量。 相反，我们只关心功能的数量。 因此，我们传入任何训练示例的形状，在我们的示例中，它是(4，)在input_Shape内。

  请注意，我们在输出层中使用了Softmax(激活函数)，因为它是一个多类分类问题。 如果这是一个二进制分类问题，我们会使用Sigmoid激活函数。

  我们可以传入任何我们想要的激活函数，如Sigmoid或linear或tanh，但实验证明relu在这类模型中表现最好。

  现在，当我们定义了模型的形状后，下一步是指定它的损耗、优化器和度量。 我们在keras中使用Compile方法指定这些参数。

  在这里，我们可以使用任何优化器，如随机梯度下降、RMSProp等，但我们将使用Adam。

  我们在这里使用CATEGRICAL_CROSENTROPY是因为我们有一个多类分类问题，如果我们有一个二进制分类问题，我们将使用BINARY_CROSENTROPY。

  衡量标准对于评估一个人的模型是很重要的。 我们可以根据不同的度量标准来评估我们的模型。 对于分类问题，最重要的衡量标准是准确度，它表明我们的预测有多准确。

  我们模型的最后一步是将其匹配到训练数据和训练标签上。 让我们对它进行编码。

  fit返回一个回调，其中包含我们训练的所有历史记录，我们可以使用它来执行不同的有用任务，如绘图等。

  我们有一个指定的epoch数为800，batch大小为40，验证拆分为0.1，这意味着我们现在有10%的验证数据，我们将使用这些数据来分析我们的训练。 使用800个epoch将过度拟合数据，这意味着它将在训练数据上执行得非常好，但在测试数据上则不会。

  在此，我们能够正常的看到，训练集上的准确率是100%，验证集上的准确率则为67%，这对于这样一个模型来说已经很出色了。接下来就让我们画出图像。

  在此，我们大家可以很清楚地看到，验证集上的损失比训练集上要大得多了，这是因为数据被过拟合了。

  为了看看模型的表现是不是好，我们能够正常的使用model.evaluate来查看。我们要将数据和标签放入评估函数中。

  这样，我们就可看到模型的准确率为88%，这对于一个过拟合的模型来说已经很好了。

  让我们通过将正则化添加到我们的模型中来使它变得更好。 正则化将减少我们模型的过度拟合，并将改进我们的模型。

  我们将在我们的模型中添加L2正则化。 单击 此处了解有关L2正则化的更多信息。 要在我们的模型中添加L2正则化，我们一定要指定要添加正则化的层，并给出一个附加参数kernel_Regularizer，然后传递tf.keras.Regularizers.l2()。

  我们还将在我们的模型中实现一些dropout，这将帮助我们更好地减少过拟合，从而获得更好的性能。 要阅读更多关于dropout背后的理论和动机，请参阅这篇文章。

  如果你仔仔细细地观察，我们所有的层和参数都是一样的，除了我们在每个dense层中增加了2个dropout层和正则化。

  你猜怎么着？ 通过加入正则化和dropout层，我们的准确率从88%提高到94%。 如果我们增加了BN层，它将会促进改善。

  如此一来，我们就非常成功地改善了模型的过拟合，并且将模型准确率提升了几乎6%，这对于一个小数据集来说是很好的改善。

  雷锋字幕组是由AI爱好者组成的志愿者翻译团队；小组成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、百度等有名的公司，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。