Tensorflow学习笔记（一）

 图片分类问题：

　　模型搭建：一般是卷积层与池化层的循环叠加，最后再用Flatten平铺，连接。卷积核一般为3X3、5X5等奇数卷积核。步长默认为1，激活函数为relu。

model = keras.Sequential(
            [
                layers.Conv2D(64, (3, 3), activation='relu', input_shape=(300, 300, 3))
                , layers.MaxPooling2D()
                , layers.Conv2D(128, (3, 3), activation='relu')
                , layers.MaxPooling2D()
                , layers.Conv2D(256, (3, 3), activation='relu')
                , layers.MaxPooling2D()
                , layers.Conv2D(512, (3, 3), activation='relu')
                , layers.MaxPooling2D()
                , layers.Conv2D(1024, (3, 3), activation='relu')
                , layers.MaxPooling2D()
                , layers.Flatten()
                , layers.Dense(512, activation='relu')
                , layers.Dense(len(index_to_type), activation='softmax')
            ]
        )

　　1、二分类与多分类激活函数选择：

　　　　softmax与sigmod都是图片分类激活函数，softmax用于图片多分类（成百上千种），sigmod用于二分类（非我即它）。

　　2、二分类与多分类优化函数选择：

　　　　binary_categorical用于二分类；sparse_categorical_crossentropy与categorical_crossentropy均用于图像多分类的损失优化函数，categorical_crossentropy用于数据是独热编码，sparse_categorical_crossentropy用于数字编码。

model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
model.fit(ds,epochs=5,steps_per_epoch=len(img_paths)//16)