TensorFlow 2.0 手写数字分类教程

下面为你详细解读这份 TensorFlow 2.0 + Keras 初学者教程，包括代码逐行解释、核心概念说明、常见问题和扩展实践，帮助你彻底理解并灵活运用。

一、教程核心目标

用 TensorFlow 2.0 的 Keras API 构建一个简单的全连接神经网络，对 MNIST 手写数字（0-9）数据集进行分类，完成「数据加载→模型构建→训练→评估→预测」全流程，最终达到 ~98% 的分类准确率。

二、完整代码（可直接在 Colab 运行）

python 复制代码

# 1. 导入TensorFlow
import tensorflow as tf
import matplotlib.pyplot as plt  # 扩展：用于可视化

# 2. 加载并预处理MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 归一化：像素值从0-255缩放到0-1（加速模型收敛）
x_train, x_test = x_train / 255.0, x_test / 255.0

# 扩展：可视化第一个训练样本
plt.imshow(x_train[0], cmap='gray')
plt.title(f"Label: {y_train[0]}")
plt.axis('off')
plt.show()

# 3. 构建神经网络模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),  # 展平28x28图像为784维向量
  tf.keras.layers.Dense(128, activation='relu'),  # 全连接层：128个神经元，ReLU激活
  tf.keras.layers.Dropout(0.2),                   # 随机丢弃20%神经元，防止过拟合
  tf.keras.layers.Dense(10)                       # 输出层：10个神经元（对应0-9），输出logits
])

# 查看模型结构
model.summary()

# 4. 理解Logits和Softmax
# 预测第一个样本的logits（原始得分）
predictions = model(x_train[:1]).numpy()
print("Logits（原始得分）:", predictions)

# 将Logits转换为概率（总和=1）
probabilities = tf.nn.softmax(predictions).numpy()
print("转换为概率:", probabilities)
print("概率总和:", probabilities.sum())

# 5. 定义损失函数
# SparseCategoricalCrossentropy：适用于「整数标签」（如5），而非独热编码（如[0,0,0,0,0,1,0,0,0,0]）
# from_logits=True：表示模型输出是Logits，而非概率（数值更稳定）
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# 验证初始损失（随机模型≈-ln(1/10)≈2.3）
initial_loss = loss_fn(y_train[:1], predictions).numpy()
print("初始损失值:", initial_loss)

# 6. 编译模型（配置优化器、损失、评估指标）
model.compile(
    optimizer='adam',  # 自适应学习率优化器（比SGD更高效）
    loss=loss_fn,      # 自定义损失函数
    metrics=['accuracy']  # 训练/评估时监控「准确率」
)

# 7. 训练模型
# epochs=5：遍历整个训练集5次
history = model.fit(x_train, y_train, epochs=5)

# 扩展：可视化训练过程的loss和accuracy
plt.figure(figsize=(12, 4))
# 绘制loss
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Train Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
# 绘制accuracy
plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

# 8. 在测试集评估模型
print("\n测试集评估结果：")
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"测试集Loss: {test_loss:.4f}, 测试集Accuracy: {test_acc:.4f}")

# 9. 封装模型，输出概率（而非Logits）
probability_model = tf.keras.Sequential([
  model,
  tf.keras.layers.Softmax()  # 追加Softmax层，将Logits转为概率
])

# 预测前5个测试样本的概率
top5_probs = probability_model(x_test[:5])
print("\n前5个测试样本的预测概率：")
for i in range(5):
    print(f"样本{i+1} - 真实标签: {y_test[i]}, 预测概率最高的类别: {tf.argmax(top5_probs[i]).numpy()}")
    print(f"概率分布: {top5_probs[i].numpy().round(4)}")

三、核心概念逐点解释

1. MNIST数据集

经典的手写数字数据集，包含60000个训练样本、10000个测试样本；
每个样本是28×28的灰度图像（像素值0-255），标签是0-9的整数；
归一化（/255.0）：将像素值缩放到0-1区间，避免数值范围过大导致梯度爆炸/收敛慢。

2. 模型结构解析

层类型	作用
Flatten	展平二维图像（28×28）为一维向量（784），作为神经网络输入（全连接层仅接受一维输入）
Dense(128, ReLU)	全连接层（隐藏层），128个神经元引入非线性（ReLU是最常用的激活函数，解决梯度消失问题）
Dropout(0.2)	训练时随机"关闭"20%的神经元，减少过拟合（测试时自动恢复所有神经元）
Dense(10)	输出层，10个神经元对应10个数字类别，输出Logits（原始得分，未归一化）

3. 损失函数选择

SparseCategoricalCrossentropy：适用于整数标签 （如y_train是5）；
如果标签是「独热编码」（如[0,0,0,0,0,1,0,0,0,0]），需用CategoricalCrossentropy；
from_logits=True：必须指定（因为模型输出是Logits），否则损失计算会出错/数值不稳定。

4. 优化器（Adam）

自适应矩估计（Adam）是目前最常用的优化器，自动调整学习率，比传统的随机梯度下降（SGD）收敛更快；
可尝试替换为optimizer='sgd'对比效果（SGD收敛慢，需调学习率optimizer=tf.keras.optimizers.SGD(learning_rate=0.01)）。

四、常见问题解答

1. 为什么测试集准确率比训练集略低？

这是正常现象（轻微过拟合），Dropout仅在训练时生效，测试时模型用全部神经元，因此训练集拟合更好。可通过增加Dropout比例（如0.3）、减少神经元数、增加训练数据（数据增强）缓解。

2. 为什么不直接在输出层加Softmax？

教程中明确说明：将Softmax烘焙到输出层会导致损失计算数值不稳定 （尤其是小批量数据）。推荐方式是：模型输出Logits，损失函数指定from_logits=True，仅在最终预测时追加Softmax层。

3. Epochs设置多少合适？

本例中5轮已足够（准确率达~98%），继续增加会导致过拟合（训练集准确率↑，测试集准确率↓）；
可通过「早停（EarlyStopping）」自动停止训练：
python 复制代码
```
callback = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=2)
model.fit(x_train, y_train, epochs=20, validation_split=0.1, callbacks=[callback])
```
（validation_split=0.1：用10%训练集做验证，patience=2：验证集loss连续2轮不下降则停止）。

4. 如何提升模型准确率？

MNIST用全连接网络只能达到~98%，改用卷积神经网络（CNN） 可提升到99%以上：

python 复制代码

# 简单CNN示例
cnn_model = tf.keras.models.Sequential([
  tf.keras.layers.Reshape((28,28,1), input_shape=(28,28)),  # 增加通道维度（CNN需要）
  tf.keras.layers.Conv2D(32, (3,3), activation='relu'),    # 卷积层：32个3×3滤波器
  tf.keras.layers.MaxPooling2D((2,2)),                     # 池化层：降维
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(64, activation='relu'),
  tf.keras.layers.Dense(10)
])
cnn_model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy'])
cnn_model.fit(x_train, y_train, epochs=3)
cnn_model.evaluate(x_test, y_test)  # 准确率≈99%

五、扩展实践方向

保存/加载模型 ：训练完成后保存模型，后续可直接加载使用：

python 复制代码

# 保存模型
model.save('mnist_dnn_model.h5')
# 加载模型
loaded_model = tf.keras.models.load_model('mnist_dnn_model.h5', custom_objects={'SparseCategoricalCrossentropy': tf.keras.losses.SparseCategoricalCrossentropy})

数据增强 ：对训练集图像做旋转、平移等变换，减少过拟合：

python 复制代码

data_augmentation = tf.keras.Sequential([
  tf.keras.layers.RandomRotation(0.1),  # 随机旋转10°
  tf.keras.layers.RandomShift(0.1)     # 随机平移10%
])
# 训练时应用增强
model.fit(data_augmentation(x_train), y_train, epochs=5)

超参数调优 ：用tf.keras.wrappers.scikit_learn调优神经元数、Dropout比例、学习率等。

六、总结

这份教程覆盖了Keras的核心流程：数据加载→预处理→模型构建→编译→训练→评估→预测，是入门TensorFlow的最佳起点。掌握后可进一步学习：

卷积神经网络（CNN）处理图像；
循环神经网络（RNN）处理序列数据；
自定义层/损失函数；
迁移学习等进阶技巧。

如果在Colab中运行代码遇到问题（如加载数据慢），可切换Colab的运行时类型（GPU/TPU）加速训练（菜单：Runtime → Change runtime type → GPU）。