0 · 复现目标与口径
1 · 环境与版本锁定
# 建议：Python 3.10+；首次缺包现场安装一次即可 try: import tensorflow as tf except ModuleNotFoundError: # %pip install tensorflow import tensorflow as tf tf.random.set_seed(42) # 锁定初始化与 shuffle，保证可比 print('TF:', tf.__version__) print('GPU:', tf.config.list_physical_devices('GPU') or '无（CPU 可跑）')
预期：TF 2.x 正常输出版本号；无 GPU 不阻塞，CPU 约 1–2 分钟跑完 5 epoch。若安装后仍报 GPU 相关警告，可忽略（自动回退 CPU）。
2 · 数据管线：形状与值域先行
fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (valid_images, valid_labels) = fashion_mnist.load_data() # 关键修复：原始 uint8 0–255，必须重标度，否则损失初值过大、梯度爆炸 train_images = train_images / 255.0 valid_images = valid_images / 255.0 # 形状断言：跑通前先 assert，比事后查 log 快 assert train_images.shape == (60000, 28, 28) assert valid_images.shape == (10000, 28, 28) assert train_images.min() >= 0 and train_images.max() <= 1.0
| 检查点 | 正确值 | 错值含义 |
|---|---|---|
shape | (60000,28,28) / (10000,28,28) | 下载截断或版本错 |
max() | ≤1.0 | 忘记 /255，损失初值会到十几 |
train_labels.max() | 9（类别数 10） | 用此推导 Dense 输出维度，勿硬编码 |
红线：验证集不得参与任何拟合（包括归一化统计、调参窥视后回灌）。本课归一化系数为常数 255，无泄漏风险；若改用均值方差，必须只在训练集上估计。
3 · 模型定义：三层与 7850 的来源
number_of_classes = int(train_labels.max() + 1) # 10，由数据推导 model = tf.keras.Sequential([ tf.keras.layers.Input(shape=(28, 28)), # 新版推荐：Input 独立声明 tf.keras.layers.Flatten(), # (b,28,28)→(b,784)，0 参数 tf.keras.layers.Dense(number_of_classes) # W:(784,10)+b:(10,)=7850 ]) model.summary() # 验收：Dense 7,850 / Total 7,850 (30.66 KB)
计算：784×10+10=7850。Flatten 只重塑；旧写法 Flatten(input_shape=...) 在新版 Keras 会告警，统一用 Input。
验收：
flatten: (None,784) 0，dense: (None,10) 7850。任一数字不对即结构错，无需继续训练。4 · 训练：编译与 fit 日志
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=5, verbose=2,
validation_data=(valid_images, valid_labels))
| 参数 | 本课取值 | 改动后果 |
|---|---|---|
from_logits | True（输出为 logits） | False 会对概率再 softmax，损失错误 |
optimizer | adam（默认 lr≈1e-3） | SGD 亦可收敛但更慢，需调 lr |
epochs | 5 | 1 则欠拟合约 75%；20 则验证损失大概率回升 |
validation_data | 验证集整体 | 仅评估，不产生梯度 |
正常日志形如：Epoch 1/5 - accuracy: 0.79 - loss: 0.59 - val_accuracy: 0.82 - val_loss: 0.50 → Epoch 5/5 - accuracy: 0.85 - loss: 0.41 - val_accuracy: 0.84 - val_loss: 0.45。若首 epoch loss > 5，优先检查是否忘记 /255。
5 · 评估与排错：曲线、预测形状、错例
# 曲线：两线对照，单看一条无意义 plt.plot(history.history['loss'], label='train'); plt.plot(history.history['val_loss'], label='val') plt.plot(history.history['accuracy'], label='train acc'); plt.plot(history.history['val_accuracy'], label='val acc') # 预测：必须带 batch 维；输出 (n,10)，argmax 即类别 logits = model.predict(train_images[0:10]) # (10,10) preds = logits.argmax(axis=1) # 错例挖掘：前 500 验证样本找 4 个错的 import numpy as np p_all = model.predict(valid_images[:500], verbose=0).argmax(axis=1) wrong = np.where(p_all != valid_labels[:500])[0][:4]
| 现象 | 定位 | 修复 |
|---|---|---|
predict 报形状错 | 喂了 (28,28) | 改 [i:i+1] 或 expand_dims → (1,28,28) |
| 训练 loss 降、验证 loss 升 | 过拟合 | 本课 5 epoch 极少见；若出现检查是否重复 fit 累加 |
| loss 降、acc 不动 | 校准改善、边界未动 | 检查标签、阈值，而非一味加 epoch |
| 6↔0、4↔3 集中错 | 线性容量不足（预期内） | 非 bug；见下一节加层验证 |
6 · 扩展实验：64 单元隐藏层
# 独立模型，不污染原 model；对比 7850 vs 50890 model2 = tf.keras.Sequential([tf.keras.layers.Input(shape=(28,28)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(number_of_classes)]) model2.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) model2.fit(train_images, train_labels, epochs=5, verbose=2, validation_data=(valid_images, valid_labels)) # 参数 (784*64+64)+(64*10+10)=50890；val_accuracy 约 0.86–0.87
变量：epochs=1 观察欠拟合幅度；Dense(64) 改 128 观察收益递减。每次只改一处并记录种子，否则不可比。
7 · 上线前清单
summary 为 7850；max()≤1.0；number_of_classes==10 由数据推导而非硬编码。Input 独立声明；from_logits=True 与无激活输出配对；验证集未参与拟合。5 epoch 日志落在 0.79→0.85 / 0.82→0.84 区间；首 epoch loss 若 >5 立即停查归一化。
predict 均带 batch 维；错例集中于易混类属预期；扩展实验单独建模。