本節課你將學到

• 理解什么是TensorFlow，為什么要用它
• 掌握TensorFlow安裝和基本操作
• 學會搭建第一個神經網絡
• 完成手寫數字識別項目

開始之前

環境要求

• Python 3.8+
• 至少4GB內存
• 網絡連接（用于下載數據集）

前置知識

• 第1-8講：Python基礎和開發環境
• 基本的數學概念（加減乘除即可）

什么是TensorFlow？

用最簡單的話解釋

想象你要蓋房子：

• 傳統編程：你需要自己制作每一塊磚頭、每一根鋼筋
• TensorFlow：就像一個預制構件工廠，磚頭、鋼筋、水泥都給你準備好了，你只需要按圖紙組裝

TensorFlow就是Google開發的"AI積木工廠"，它提供了：

• 🧱 基礎積木：各種數學運算函數
• 🔧 組裝工具：神經網絡層、優化器
• 📏 測量工具：損失函數、評估指標
• 🏭 生產線：自動訓練和優化

為什么選擇TensorFlow？

1. 簡單易用：像搭積木一樣構建神經網絡
2. 功能強大：支持從簡單分類到復雜的圖像識別
3. 社區龐大：遇到問題容易找到解決方案
4. 工業級：Google、Netflix等大公司都在用

TensorFlow安裝

安裝步驟

# 方法1：使用pip安裝（推薦）
pip install tensorflow# 方法2：如果上面很慢，使用國內鏡像
pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple/# 驗證安裝
python -c "import tensorflow as tf; print('TensorFlow版本:', tf.__version__)"

驗證安裝

import tensorflow as tf# 檢查版本
print("TensorFlow版本:", tf.__version__)# 檢查是否支持GPU（有GPU會顯示GPU信息，沒有也正常）
print("GPU可用:", len(tf.config.list_physical_devices('GPU')) > 0)# 簡單測試
hello = tf.constant("Hello, TensorFlow!")
print(hello.numpy().decode())

預期輸出：

TensorFlow版本: 2.x.x
GPU可用: False  # 沒有GPU也沒關系
Hello, TensorFlow!

TensorFlow核心概念

1. 張量（Tensor）- 數據容器

張量就是多維數組，就像不同形狀的盒子：

import tensorflow as tf
import numpy as np# 0維張量（標量）- 一個數字
scalar = tf.constant(42)
print("標量:", scalar)# 1維張量（向量）- 一行數字
vector = tf.constant([1, 2, 3, 4])
print("向量:", vector)# 2維張量（矩陣）- 表格
matrix = tf.constant([[1, 2], [3, 4]])
print("矩陣:")
print(matrix)# 3維張量 - 立體數據（比如彩色圖片）
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("3維張量形狀:", tensor_3d.shape)

2. 計算圖 - 操作流程

TensorFlow會自動記錄你的操作，就像記錄菜譜步驟：

# 定義變量（可以改變的數）
x = tf.Variable(3.0, name="x")
y = tf.Variable(4.0, name="y")# 定義計算（TensorFlow會記錄這些步驟）
z = x * x + y * y  # z = x2 + y2print("x =", x.numpy())
print("y =", y.numpy()) 
print("z = x2 + y2 =", z.numpy())

3. 自動微分 - 神經網絡的關鍵

神經網絡需要不斷調整參數，TensorFlow可以自動計算如何調整：

# 使用GradientTape記錄操作
x = tf.Variable(2.0)with tf.GradientTape() as tape:y = x * x * x  # y = x3# 自動計算導數（斜率）
dy_dx = tape.gradient(y, x)
print(f"當x={x.numpy()}時，y=x3的導數是：{dy_dx.numpy()}")
print("手工計算：3*22=12，驗證正確！")

第一個神經網絡

問題：預測房價

假設我們要根據房屋面積預測房價，這是一個最簡單的神經網絡：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt# 設置中文字體
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1. 準備數據
# 假設房價 = 面積 * 2 + 一些隨機噪聲
np.random.seed(42)  # 固定隨機種子，確保結果可重現
areas = np.random.uniform(50, 200, 100)  # 100個面積數據，50-200平米
prices = areas * 2 + np.random.normal(0, 10, 100)  # 價格=面積*2+噪聲# 數據標準化（重要！神經網絡喜歡小數字）
areas_norm = (areas - areas.mean()) / areas.std()
prices_norm = (prices - prices.mean()) / prices.std()print("數據準備完成！")
print(f"面積范圍：{areas.min():.1f} - {areas.max():.1f} 平米")
print(f"價格范圍：{prices.min():.1f} - {prices.max():.1f} 萬元")

# 2. 構建神經網絡
# 最簡單的神經網絡：只有一層，一個神經元
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=[1], name='price_predictor')
])# 編譯模型（設置學習規則）
model.compile(optimizer='adam',      # 優化器：adam是最常用的loss='mse',           # 損失函數：均方誤差metrics=['mae']       # 評估指標：平均絕對誤差
)# 查看模型結構
print("模型結構：")
model.summary()

# 3. 訓練模型
print("開始訓練...")
history = model.fit(areas_norm, prices_norm,  # 訓練數據epochs=100,               # 訓練輪數verbose=0                 # 不顯示訓練過程（避免刷屏）
)print("訓練完成！")# 4. 評估效果
test_area = np.array([100])  # 測試：100平米的房子
test_area_norm = (test_area - areas.mean()) / areas.std()
predicted_price_norm = model.predict(test_area_norm, verbose=0)# 反標準化得到實際價格
predicted_price = predicted_price_norm * prices.std() + prices.mean()print(f"預測結果：100平米的房子價格約為 {predicted_price[0][0]:.1f} 萬元")
print(f"理論價格：100 * 2 = 200萬元")
print(f"預測誤差：{abs(predicted_price[0][0] - 200):.1f} 萬元")

可視化結果

# 繪制訓練過程
plt.figure(figsize=(12, 4))# 損失變化
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'])
plt.title('訓練損失變化')
plt.xlabel('訓練輪數')
plt.ylabel('損失值')
plt.grid(True)# 預測效果
plt.subplot(1, 2, 2)
plt.scatter(areas, prices, alpha=0.6, label='真實數據')# 畫預測線
test_areas = np.linspace(50, 200, 100)
test_areas_norm = (test_areas - areas.mean()) / areas.std()
predicted_prices_norm = model.predict(test_areas_norm, verbose=0)
predicted_prices = predicted_prices_norm * prices.std() + prices.mean()plt.plot(test_areas, predicted_prices, 'r-', linewidth=2, label='神經網絡預測')
plt.xlabel('面積 (平米)')
plt.ylabel('價格 (萬元)')
plt.title('房價預測效果')
plt.legend()
plt.grid(True)plt.tight_layout()
plt.show()print("圖表已顯示！紅線是神經網絡學到的規律")

完整項目：手寫數字識別

現在我們來做一個更有趣的項目：讓計算機識別手寫數字！

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt# 1. 加載MNIST數據集（手寫數字數據）
print("正在下載MNIST數據集...")
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()print("數據加載完成！")
print(f"訓練圖片數量: {len(x_train)}")
print(f"測試圖片數量: {len(x_test)}")
print(f"圖片尺寸: {x_train[0].shape}")# 查看幾個樣本
plt.figure(figsize=(10, 2))
for i in range(5):plt.subplot(1, 5, i+1)plt.imshow(x_train[i], cmap='gray')plt.title(f'標簽: {y_train[i]}')plt.axis('off')
plt.suptitle('手寫數字樣本')
plt.show()

# 2. 數據預處理
# 標準化像素值到0-1范圍
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0# 將28x28的圖片展平成784維向量
x_train_flat = x_train.reshape(60000, 784)
x_test_flat = x_test.reshape(10000, 784)print("數據預處理完成！")
print(f"訓練數據形狀: {x_train_flat.shape}")
print(f"測試數據形狀: {x_test_flat.shape}")

# 3. 構建神經網絡
model = tf.keras.Sequential([# 輸入層：784個神經元（對應784個像素）tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),# 隱藏層：128個神經元，使用ReLU激活函數tf.keras.layers.Dense(64, activation='relu'),# 輸出層：10個神經元（對應0-9十個數字）tf.keras.layers.Dense(10, activation='softmax')
])# 編譯模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',  # 多分類問題的損失函數metrics=['accuracy']
)# 查看模型結構
print("神經網絡結構：")
model.summary()

# 4. 訓練模型
print("開始訓練神經網絡...")
history = model.fit(x_train_flat, y_train,epochs=10,                    # 訓練10輪batch_size=128,              # 每次處理128個樣本validation_split=0.1,        # 10%的數據用于驗證verbose=1                    # 顯示訓練進度
)print("訓練完成！")

# 5. 評估模型
test_loss, test_accuracy = model.evaluate(x_test_flat, y_test, verbose=0)
print(f"測試準確率: {test_accuracy:.4f} ({test_accuracy*100:.2f}%)")# 預測幾個測試樣本
predictions = model.predict(x_test_flat[:5], verbose=0)
predicted_labels = np.argmax(predictions, axis=1)print("\n預測結果：")
for i in range(5):print(f"圖片{i+1}: 真實標簽={y_test[i]}, 預測標簽={predicted_labels[i]}, "f"置信度={predictions[i][predicted_labels[i]]:.4f}")

# 6. 可視化結果
plt.figure(figsize=(15, 5))# 訓練歷史
plt.subplot(1, 3, 1)
plt.plot(history.history['accuracy'], label='訓練準確率')
plt.plot(history.history['val_accuracy'], label='驗證準確率')
plt.title('模型準確率')
plt.xlabel('訓練輪數')
plt.ylabel('準確率')
plt.legend()
plt.grid(True)plt.subplot(1, 3, 2)
plt.plot(history.history['loss'], label='訓練損失')
plt.plot(history.history['val_loss'], label='驗證損失')
plt.title('模型損失')
plt.xlabel('訓練輪數')
plt.ylabel('損失值')
plt.legend()
plt.grid(True)# 預測結果展示
plt.subplot(1, 3, 3)
# 顯示一個預測示例
sample_idx = 0
plt.imshow(x_test[sample_idx], cmap='gray')
plt.title(f'真實: {y_test[sample_idx]}, 預測: {predicted_labels[sample_idx]}')
plt.axis('off')plt.tight_layout()
plt.show()print("🎉 恭喜！你已經成功訓練了一個手寫數字識別神經網絡！")

運行效果

預期輸出

數據加載完成！
訓練圖片數量: 60000
測試圖片數量: 10000
圖片尺寸: (28, 28)神經網絡結構：
Model: "sequential_1"
_________________________________________________________________Layer (type)                Output Shape              Param #   
=================================================================dense_1 (Dense)             (None, 128)               100480    dense_2 (Dense)             (None, 64)                8256      dense_3 (Dense)             (None, 10)                650       
=================================================================
Total params: 109,386
Trainable params: 109,386
Non-trainable params: 0訓練完成！
測試準確率: 0.9751 (97.51%)預測結果：
圖片1: 真實標簽=7, 預測標簽=7, 置信度=0.9999
圖片2: 真實標簽=2, 預測標簽=2, 置信度=0.9995
...

生成的文件

• 模型訓練過程可視化圖表
• 手寫數字樣本展示
• 預測結果對比

常見問題解答

Q1: 安裝TensorFlow時出錯

錯誤信息： ERROR: Failed building wheel for tensorflow

解決方法：

# 方法1：升級pip
pip install --upgrade pip# 方法2：使用conda安裝
conda install tensorflow# 方法3：安裝CPU版本
pip install tensorflow-cpu

Q2: 訓練很慢怎么辦？

解決方法：

• 減少訓練輪數（epochs）：從10改為5
• 減少數據量：只用前1000個樣本訓練
• 使用更小的網絡：減少神經元數量

Q3: 準確率不高怎么辦？

可能原因和解決方法：

• 訓練輪數太少：增加epochs
• 網絡太簡單：增加更多層或神經元
• 學習率不合適：嘗試不同的優化器

Q4: 內存不夠怎么辦？

解決方法：

# 減少batch_size
model.fit(x_train, y_train, batch_size=32)  # 從128改為32# 或者使用更少的數據
x_train_small = x_train[:10000]  # 只用前10000個樣本

課后練習

基礎練習

• 修改神經網絡結構，嘗試不同數量的神經元
• 改變訓練輪數，觀察準確率變化
• 使用自己手寫的數字測試模型

進階練習

• 嘗試識別時裝圖片（Fashion-MNIST數據集）
• 添加更多隱藏層，觀察效果變化
• 使用不同的激活函數（如tanh、sigmoid）

挑戰練習

• 實現一個簡單的繪圖界面，讓用戶畫數字并識別
• 比較不同優化器的效果（SGD vs Adam）
• 分析模型預測錯誤的樣本，找出共同特點

總結

這節課我們學會了：

1. TensorFlow基礎概念：理解張量、計算圖、自動微分
2. 神經網絡構建：使用Sequential模型搭建網絡
3. 模型訓練流程：編譯→訓練→評估→預測
4. 實際項目經驗：完成了手寫數字識別

下節課預告： 我們將學習PyTorch，對比兩個主流深度學習框架的差異，并用PyTorch實現圖像分類器。

技術支持

如遇問題，請檢查：

1. Python版本是否3.8+
2. TensorFlow是否正確安裝
3. 網絡連接是否正常（下載數據集需要）
4. 內存是否足夠（建議4GB+）

記住：每個AI專家都是從第一個神經網絡開始的！你已經邁出了重要的一步！ 🚀