因为论文问题，陆续学了huhuhuang老师的多个课程，课程质量都很高。TF2是完全自己要用，课程内容完全可以满足自己所需。教程＋挑战结合，深入浅出。

huhuhang老师的课程质量都还不错～近期我要把自己代码里 1.x 的接口都升级成 2.x 的

有所收获，很好！ 最终预测结果86%

val_accuracy: 0.9364 对one-hot和label encoding有了直观的理解 (label encoder实验出来的效果不好)

不错，复习了

很好

不错

开心心

!wget -nc "http://labfile.oss.aliyuncs.com/courses/1211/fashion-mnist.zip" !mkdir -p "/root/.keras/datasets/fashion-mnist/" !unzip -o "fashion-mnist.zip" -d "/root/.keras/datasets/fashion-mnist" import tensorflow as tf import numpy as np (X_train, y_train), (X_test, y_test) = tf.keras.datasets.fashion_mnist.load_data() # 对特征进行归一化处理 X_train = X_train / 255 X_test = X_test / 255 # 对标签进行独热编码 y_train = np.eye(10)[y_train] y_test = np.eye(10)[y_test] X_train.shape, X_test.shape, y_train.shape, y_test.shape """挑战：按要求构建 LeNet-5 顺序模型""" model_vgg = tf.keras.Sequential([ tf.keras.layers.Conv2D(6, (5, 5), input_shape=(32, 32, 1), activation='relu'), tf.keras.layers.AveragePooling2D(pool_size=(2, 2), strides=(2, 2)), tf.keras.layers.Conv2D(16, (5, 5), activation='relu'), tf.keras.layers.AveragePooling2D(pool_size=(2, 2), strides=(2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(120, activation='relu'), tf.keras.layers.Dense(84, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ]) model_vgg.summary() """挑战：完成模型训练过程""" X_train = tf.reshape(X_train, [-1, 28, 28, 1]) X_test = tf.reshape(X_test, [-1, 28, 28, 1]) X_train.shape, X_test.shape X_train_lite = tf.image.resize(X_train, (32, 32)) X_test_lite = tf.image.resize(X_test, (32, 32)) X_train_lite.shape,X_test_lite.shape model_vgg.compile(optimizer=tf.optimizers.Adam(), loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model_vgg.fit(X_train_lite, y_train, epochs=10, batch_size=32, validation_data=(X_test_lite, y_test))

本次实验中，我们实验中 TensorFlow 2 构建了简单的前馈神经网络，并完全手写字符识别分类。特别地，一定要掌握 Eager Execution 的实现过程，而对于 TensorFlow Keras 的使用也应用有充分的理解。

EPOCHS = 50 # 全部数据迭代 20 次 LEARNING_RATE = 0.1 # 学习率 model = Model() # 实例化模型 x = tf.constant(x, dtype=tf.float32) # 转换为张量 y = tf.constant(y, dtype=tf.float32) # 转换为张量 """挑战：实现多项式回归优化迭代过程""" for epoch in range(EPOCHS): # 迭代次数 # 补充代码 with tf.GradientTape() as tape: loss = loss_fn(model, x, y) da,db,dc = tape.gradient(loss, [model.a, model.b, model.c]) model.a.assign_sub(LEARNING_RATE * da) model.b.assign_sub(LEARNING_RATE * da) model.c.assign_sub(LEARNING_RATE * da) # 输出计算过程 print(f'Epoch [{epoch}/{EPOCHS}], loss [{loss}]')

model = tf.keras.Sequential() # 新建顺序模型 model.add(tf.keras.layers.Dense(units=1, input_dim=1)) # 添加线性层 model.compile(optimizer='sgd', loss='mse') # 定义损失函数和优化方法 model.fit(X, y, epochs=10, batch_size=32) # 训练模型

x = tf.Variable(x) with tf.GradientTape() as tape: # 追踪梯度 s = 1 / (1 + tf.math.exp(-x)) grad = tape.gradient(s, x) # 计算梯度

挺好的，特别是介绍了低阶、高阶API的使用，以及用Keras、函数式构建模型。之前看别人代码的时候感觉有很多不同的模型构建方法，摸不着头脑，现在清楚了

不错

很好