零基础也能懂 用TensorFlow 2.0开启你的第一个深度学习项目

TensorFlow 2.0是一个超级数学计算库，默认启用动态图机制，让代码像普通Python一样直观。本文带你弄懂核心概念，跑通一个图片分类项目。

环境准备

建议直接用Google Colab，它预装了TensorFlow 2.0并提供免费GPU。本地运行需Python 3.6-3.9，安装命令：

pip install tensorflow

验证安装：

import tensorflow as tf
print(tf.__version__)

核心概念：三张牌入门

第一张牌：张量——数据的载体

张量即多维数组，是数据载体。0维是标量，1维是向量，2维是矩阵。图片、文本最终都转为张量输入模型。

hello_tensor = tf.constant("Hello, Kiro!")
matrix = tf.zeros([3, 3])

第二张牌：模型——搭积木的乐趣

Keras是官方高层API，用tf.keras.Sequential顺序堆叠网络层。

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')
])

数据经展平、全连接层处理，最终输出10维概率向量。

第三张牌：训练——模型学习的引擎

训练是模型对比答案并自我修正的过程，需定义损失函数、优化器和评估指标。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

实战：手写数字识别

用MNIST数据集，识别0-9数字。

加载和预处理数据 像素值归一化到0-1之间：

mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

训练模型 运行5个轮回，观察损失下降和准确率上升：

model.fit(train_images, train_labels, epochs=5)

评估模型 在测试集上检验效果：

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\n测试准确率:', test_acc)

通常准确率超97%。

避坑指南

• 损失不下降：检查数据归一化，或调整学习率（adam默认通常有效）。
• Epoch过大：会导致过拟合，训练集准确率高而测试集下降，需在验证集监控并早停。
• 维度不匹配：用model.summary()检查各层形状，确保输入数据与input_shape一致。

学习建议

• 去Kaggle参加图像分类比赛，如猫狗大战。
• 学习卷积神经网络，理解特征提取原理。
• 掌握model.save()和load_model()，部署模型。

TensorFlow 2.0降低了入门门槛，持续实践即可精进。