写给新人的深度学习扫盲贴：TensorFlow与Keras-EW帮帮网

一、TensorFlow与Keras简介

简单来讲，TensorFlow与Keras同属于人工智能下的深度学习框架，并且在发展过程中，它们居然走到了一起，让人不禁慨叹，技术无国界，技术是未来。
在这里插入图片描述

1.1 TensorFlow：工业级深度学习引擎

诞生背景：2015年，Google Brain团队开源了TensorFlow，旨在为学术界和工业界提供统一的机器学习平台。其名称“TensorFlow”源于“张量（Tensor）”和“数据流（Flow）”，体现了其核心设计理念：通过数据流图进行多维数组（张量）的计算。

优势：

灵活性与可扩展性：支持从移动端到分布式集群的部署（如TensorFlow Lite、TensorFlow Serving）。
生态系统完善：提供可视化工具（TensorBoard）、预训练模型库（TensorFlow Hub）和社区支持。
跨平台兼容性：可在CPU、GPU、TPU等硬件上运行，并支持多种编程语言接口。

1.2 Keras：深度学习的高级接口

设计哲学：Keras由法国人François Chollet于2015年创建，目标是“让深度学习像搭积木一样简单”。其API设计遵循“用户友好、模块化、易扩展”的原则，尤其适合快速原型开发。

与TensorFlow的融合：自TensorFlow 2.0起，Keras被整合为tf.keras，成为官方推荐的高级API。这种集成既保留了Keras的简洁性，又结合了TensorFlow的底层优化能力。

1.3 两者关系：互补而非对立

Keras是TensorFlow的“快捷方式”：通过tf.keras，可以用更少的代码实现复杂模型，例如只需几行代码即可构建卷积神经网络。
TensorFlow是Keras的“强力引擎”：Keras依赖TensorFlow等后端进行计算加速，同时TensorFlow的底层API（如自动微分、分布式训练）为Keras提供了性能保障。

二、了解核心组件

2.1 张量（Tensor）：数据的基本单位

张量是多维数组的泛化形式。例如：

标量（0维）：单个数字（如5）
向量（1维）：一列数字（如[1, 2, 3]）
矩阵（2维）：表格数据（如[[1,2], [3,4]]）
高维张量：图像数据（3维：高度×宽度×通道）或视频数据（4维）。

2.2 层（Layer）：模型的构建块

层是神经网络的基本单元，常见类型包括：

全连接层（Dense）：每个神经元与上一层全部连接，用于特征组合。
卷积层（Conv2D）：通过滤波器提取空间特征，适合图像处理。
循环层（LSTM/GRU）：处理序列数据（如文本、时间序列），具有记忆功能。

2.3 模型（Model）：层的组合

模型是层的定向无环图（DAG）。Keras提供两种构建方式：

顺序模型（Sequential）：层的线性堆叠，适合简单结构。
函数式API：支持多输入/输出、共享层等复杂拓扑。

三、TensorFlow与Keras的安装

3.1 推荐使用虚拟环境

使用conda或venv创建隔离环境，避免依赖冲突：

# 使用conda  
conda create -n tf_env python=3.8  
conda activate tf_env  

# 使用venv  
python -m venv tf_env  
source tf_env/bin/activate  # Linux/macOS  
tf_env\Scripts\activate     # Windows

本人在当前笔记本使用后者。

3.2 安装TensorFlow与Keras

通过pip一键安装最新稳定版（包含Keras）：

pip install tensorflow

GPU加速支持
若使用NVIDIA显卡，安装GPU版本以提升训练速度：

pip install tensorflow[and-cuda]

安装独立版Keras（可选）
Keras已默认集成在TensorFlow中（tf.keras）。如需安装独立版本：

pip install keras

3.3 验证安装

执行python语句, 本人此系列文章使用jupyter notebook。

import tensorflow as tf  
print("TensorFlow版本:", tf.__version__)  
print("GPU是否可用:", tf.config.list_physical_devices('GPU'))

在这里插入图片描述

3.4 Hello world

构建一个简单的全连接网络，测试环境是否正常工作：

import tensorflow as tf  

# 加载MNIST数据集  
mnist = tf.keras.datasets.mnist  
(x_train, y_train), (x_test, y_test) = mnist.load_data()  
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化  

# 构建模型  
model = tf.keras.Sequential([  
    tf.keras.layers.Flatten(input_shape=(28, 28)),  
    tf.keras.layers.Dense(128, activation='relu'),  
    tf.keras.layers.Dense(10, activation='softmax')  
])  

# 编译与训练  
model.compile(optimizer='adam',  
              loss='sparse_categorical_crossentropy',  
              metrics=['accuracy'])  
model.fit(x_train, y_train, epochs=5)  

# 评估  
test_loss, test_acc = model.evaluate(x_test, y_test)  
print("测试集准确率:", test_acc)

执行结果如下：

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11490434/11490434 ━━━━━━━━━━━━━━━━━━━━ 128s 11us/step

Epoch 1/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 9s 4ms/step - accuracy: 0.8739 - loss: 0.4405
Epoch 2/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 9s 5ms/step - accuracy: 0.9638 - loss: 0.1219
Epoch 3/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 8s 4ms/step - accuracy: 0.9769 - loss: 0.0780
Epoch 4/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 8s 4ms/step - accuracy: 0.9828 - loss: 0.0561
Epoch 5/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 8s 4ms/step - accuracy: 0.9870 - loss: 0.0419
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 4ms/step - accuracy: 0.9696 - loss: 0.0964
测试集准确率: 0.9740999937057495

写给新人的深度学习扫盲贴：TensorFlow与Keras