一、代码

import tensorflow as tf
from  tensorflow import keras
from  tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
import  os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def preprocess(x, y):  #数据预处理
    x = tf.cast(x, dtype=tf.float32)/ 255.
    y = tf.cast(y, dtype=tf.int32)
    return x,y

(x, y),(x_test, y_test) = datasets.fashion_mnist.load_data()
print(x.shape, y.shape)

batchsize = 128

#训练集预处理
db = tf.data.Dataset.from_tensor_slices((x,y)) #构造数据集,这里可以自动的转换为tensor类型了
db = db.map(preprocess).shuffle(10000).batch(batchsize)

#测试集预处理
db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test)) #构造数据集
db_test = db_test.map(preprocess).shuffle(10000).batch(batchsize)


db_iter = iter(db)
sample = next(db_iter)
print("batch: ", sample[0].shape, sample[1].shape)


#准备一个网络,5层。
model = Sequential([
    layers.Dense(256, activation=tf.nn.relu), # [b, 784] => [b, 256]
    layers.Dense(128, activation=tf.nn.relu), # [b, 256] => [b, 128]
    layers.Dense(64, activation=tf.nn.relu), # [b, 128] => [b, 64]
    layers.Dense(32, activation=tf.nn.relu), # [b, 64] => [b, 32]
    layers.Dense(10) # [b, 32] => [b, 10], 330 = 32*10 + 10
])

# 拿到这个层，喂给它一个权值，构建这样的一个输入。
model.build(input_shape=[None, 28*28])
model.summary() #调试的功能，可以打印网络结构。可以看出来总共有24万个，24万跟线，4字节的float.参数量一共100kb左右。gradient可能更大。

# 优化器
# w = w - lr*grads
optimizer = optimizers.Adam(lr=1e-3)

def main():

    for epoch in range(30):

        for step, (x, y) in enumerate(db):

            # x: [b, 28, 28]   =>  [b, 784]
            # y: [b]
            x = tf.reshape(x, [-1, 28*28])

            with tf.GradientTape() as tape:
                # 前向传播，这里非常的简单。
                # [b, 784] => [b, 10]
                logits = model(x)     #调用完成前向传播。
                y_onehot = tf.one_hot(y, depth=10)        #one-hot 标签编码
                # 返回shape为[b],每个instance求一个实例。
                loss_mse = tf.reduce_mean(tf.losses.MSE(y_onehot, logits))
                # loss_ce = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True)
                # loss_ce = tf.reduce_mean(loss_ce)

            grads = tape.gradient(loss_mse, model.trainable_variables)
            #根据w=w-lr*grads把所有参数进行原地更新。zip的作用就是：把2个list(grads和mode...)中都为第0个的元素拼在一起,第1个同样2,3。
            optimizer.apply_gradients(zip(grads, model.trainable_variables))

            if step % 100 == 0:
                print(epoch,step,'loss: ', float(loss_mse))

        #test: 只需要做前向传播。
        total_correct = 0  #总的正确的个数。
        total_num = 0      #总的测试的个数。
        for (x, y)  in db_test:

            # x: [b, 28, 28]   =>  [b, 784]
            # y: [b]
            x = tf.reshape(x, [-1, 28*28])

            #同样的道理这里我们不需要做一个GradientTape()的包围。
            logits = model(x)  # 调用完成前向传播。
            # 首先把logits => problity
            prob = tf.nn.softmax(logits, axis=1)
            # [b, 10] => [b]
            pred = tf.argmax(prob, axis=1)
            pred = tf.cast(pred, dtype=tf.int32)
            # pred: [b]
            # y: [b]
            #correct: [b], True: equal, False: not equal
            correct = tf.equal(pred, y)
            correct = tf.reduce_sum(tf.cast(correct, dtype=tf.int32))

            # 这里为什么需要做一个int,因为correct其实为一个tensor,但是我们这里的total_correct为一个numpy。
            # 需要把correct转换为一个numpy。
            total_correct += int(correct)
            total_num +=x.shape[0]

        acc = total_correct / total_num
        print(epoch, 'test acc: ', acc)

if __name__ == '__main__':
    main()