1.1 MNIST_NN
手写数字识别，使用keras.models.Sequential()构建模型
1.2 FashionMNIST_NN
服装识别，使用keras.Sequential()构建模型，并对最终预测结果进行了可视化
1.3 TFHub与文本分类
使用TFHub下载预训练模型实现迁移学习，并使用NN进行简单的褒贬文本分类
(working...)
使用keras.utils.get_file从 UCI机器学习库 中获取auto-mpg汽车性能数据集并使用NN进行简单的线性回归
数据进行了清理、拆分、统计、特征标签分离、归一化等操作，并使用seaborn绘图库绘制联合分布图
定义模型构建函数，统计了均方误差MSE与平均绝对误差MAE，进行了小批量训练
均方误差(MSE)是回归问题中常见的损失函数，平均绝对误差(MAE)是回归问题中常用的评估指标
在完整训练中，使用callbacks回调自定义函数显示训练进度，并使用history记录训练过程数据，如loss、mae、mse等并将训练过程数据可视化
检视训练过程，发现验证集误差在一定epoch后不降反升，使用early_stop回调函数来提前终止训练过程以达到较好效果（防止过拟合）
最后对测试集的数据进行预测，并可视化以查看拟合曲线与误差分布。
- 使用
keras.utils.get_file()下载花卉图片数据 - 对图片数据进行一系列文件操作，包括解压--读入--显示
- 根据文件夹确定标签--分配索引
- 使用
tf.data.Dataset.from_tensor_slices()对路径进行切片，得到路径字符串数据集 - 再使用
.map()根据路径映射图片，同时进行预处理 - 使用相同切片方法得到标签数据集
- 该方法的得到的预处理后的图片与标签数据集具有相同的顺序，故使用
tf.data.Dataset.zip()打包(亦可在切片时直接打包，再预处理图片)
.shuffle(buffer_size)打乱数据，buffer_size缓冲区大小，保证数据被充分打乱（buffer_size=image_count）.repeat()使数据不断重复.batch(BATCH_SIZE)设置每个batch读取的数据量.prefetch(buffer_size)模型训练过程中，从后台预先取出部分数据降低读盘等待（buffer_size=AUTOTUNE）- 可选
.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))以融合第1、2步，以降低延迟（延迟主要由缓冲区填充造成）
tf.keras.applications下载模型用于迁移学习（路径为./home/.keras/models）.trainable设置迁移网络的参数是否可训练help(keras_applications.mobilenet_v2.preprocess_input)可查看该模型输入与输出的数据格式- 取出一个batch的图片，传递给模型，查看结果是否符合预期
image_batch, label_batch = next(iter(ds))
feature_map_batch = mobile_net(image_batch)
print(feature_map_batch.shape)
tf.keras.Sequential构建迁移学习模型--试验模型--编译模型--训练模型
- 量化性能（将2个epoch量的数据集读入内存）
- 在
.shuffle()之前，使用.cache()对数据进行缓存，内存足够时尤为有效 - 内存不足时，将缓存生成缓存文件
.cache(filename='./cache.tf-data')，再次启动数据集时速度见显著提升 - 与远程服务器传输数据集时，可采用TFRecord()将数据打包（working...）
注：
- iteration：1次迭代，每次迭代更新1次网络参数（training step）
- batch_size：每次迭代所使用的的样本量
- epoch：1个epoch即遍历1次整个样本
3.1 性别分类
对”student.xls”文件进行读取身高和体重数据，并对学生的性别进行分类
-
python 3.7
-
tensorflow 1.13.1 （及以上）
-
matplotlib.pyplot （用于绘制图表）
-
pandas （用于读取excel数据并处理）
-
numpy
- 1 下载或拷贝
predictSexual.py文件 - 2 将
dataset_path = "./dataset/student.xls"修改为自己的excel文件路径 - 3 直接运行文件，即可看到最终效果
- 注：亦可使用
PyCharm自带的Scientific Mode（科学模式），逐块运行代码
- 1 使用
pandas从student.xls读入数据 - 2 将性别转化为
one-hot编码，并去除多余数据 - 3 拆分训练集与测试集
- 4 分离输入数据
data（身高、体重）与预测标签label（性别） - 5 借助
pandas对数据进行归一化处理 - 6 使用
tf.keras.Sequential构建模型 - 7 训练数据
- 8 验证模型
- 9 绘制边界图（可选）
[1] 怎么写md
[2] Github .md目录生成
[4] Keras 官方文档
[6] Pandas 官方文档
[7] Seaborn 官方文档