僅會一點點python也能自己搭建一個神經(jīng)網(wǎng)絡(luò)！谷歌開發(fā)者博客的 Codelabs 項目上面給出了一份教程，不只是教你搭建神經(jīng)網(wǎng)絡(luò)，還給出四個實驗案例，手把手教你如何使用 keras、TPU、Colab。

想要真的了解深度學(xué)習(xí)，除了看視頻，拿數(shù)據(jù)和算力真槍實彈的練手可能比各種理論知識更重要。

編程基礎(chǔ)不好？不會配置環(huán)境？本地 GPU 太貴配置太低？訓(xùn)練速度達(dá)不到要求？這些可能都是阻礙你搭建第一個神經(jīng)網(wǎng)絡(luò)的原因。

谷歌開發(fā)者博客的 Codelabs 項目上面給出了一份教程（課程鏈接在文末），不只是教你搭建神經(jīng)網(wǎng)絡(luò)，還給出四個實驗案例，手把手教你如何使用 keras、TPU、Colab。

這個練手指南被成為 “僅會一點點 python 也能看懂”，也就是說，基礎(chǔ)再薄弱都可以直接了解哦。

四次實驗均在谷歌的 Collab 上運行，由淺入深、循序漸進(jìn)。無需進(jìn)行任何設(shè)置，可以用 Chromebook 打開，實驗環(huán)境都幫你搭建好了。

是時候搭建一個屬于自己的神經(jīng)網(wǎng)絡(luò)了！

快速開啟！

四次實驗均選擇 TPU 支持，這會使代碼運行速度大大加快，畢竟用了硬件加速。

先教會你如何在 Tensorflow 框架下快速加載數(shù)據(jù)，然后介紹一些 tf.data.Dataset 的基礎(chǔ)知識，包括 eager 模式以及元組數(shù)據(jù)集等。

第二部分，手把手教你實現(xiàn)遷移學(xué)習(xí)，把別人訓(xùn)練好的模型拿過來直接使用，不用一步一步搭建也能使用強大的神經(jīng)網(wǎng)絡(luò)。除了遷移學(xué)習(xí)，在這部分還會簡單介紹一些必要的知識點，包括神經(jīng)元、激活函數(shù)等。

第三部分，進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)部分，在了解卷積層、池化層、Dense 層卷積網(wǎng)絡(luò)三個必要的組件之后，你將學(xué)會使用 Keras Sequential 模型構(gòu)建卷積圖像分類器，并使用良好的卷積層選擇來微調(diào)模型。

第四部分，進(jìn)入到更加前沿的部分，在接受了前面三個部分的洗禮之后，在這部分你會實現(xiàn)在 Keras 中利用 TPU 組建現(xiàn)代卷積網(wǎng)絡(luò)和實現(xiàn)分類。

和在 Jupyter Notebook 操作方式一樣，同時按住鍵盤的 Shift 和 enter 按鈕，便可以運行代碼。

如果你是首次執(zhí)行，需要登錄 Google 帳戶進(jìn)行身份驗證。注意頁面提醒就可以啦～

此 notebook 支持目錄功能，點擊網(wǎng)頁左側(cè)的黑色箭頭可以查看。

利用 Colab 上的 TPU 訓(xùn)練 Keras 模型需要輸入以下代碼?

tpu = tf.contrib.cluster_resolver.TPUClusterResolver(TPU_ADDRESS)strategy = tf.contrib.tpu.TPUDistributionStrategy(tpu)tpu_model = tf.contrib.tpu.keras_to_tpu_model(model, strategy=strategy)tpu_model.fit(get_training_dataset, steps_per_epoch=TRAIN_STEPS, epochs=EPOCHS, validation_data=get_validation_dataset, validation_steps=VALID_STEPS)

本質(zhì)上是在 keras 中調(diào)用 keras_to_tpu_model，部署額外的硬件可以通過增加訓(xùn)練批次的大小增加訓(xùn)練過程。需要注意的是目前，Keras 支持僅限于 8 個核心或一個 Cloud TPU。

注：TPU 可以在神經(jīng)網(wǎng)絡(luò)運算上達(dá)到高計算吞吐量，同時能耗和物理空間都很小。因為 TPU 從內(nèi)存加載數(shù)據(jù)。當(dāng)每個乘法被執(zhí)行后，其結(jié)果將被傳遞到下一個乘法器，同時執(zhí)行加法。因此結(jié)果將是所有數(shù)據(jù)和參數(shù)乘積的和。在大量計算和數(shù)據(jù)傳遞的整個過程中，不需要執(zhí)行任何的內(nèi)存訪問。

介紹完基本的操作，接下來，看看官方給出的四個實驗。

Tensorflow 入門:tfrecords 和 tf.data

此實驗涉及兩個 tf 的基礎(chǔ)操作，一個是使用 tf.data.Dataset API 導(dǎo)入訓(xùn)練數(shù)據(jù)，另一個是使用 TFRecord 格式從 GCS 有效導(dǎo)入訓(xùn)練數(shù)據(jù)。

此次實驗使用花卉圖片的數(shù)據(jù)集，學(xué)習(xí)的目標(biāo)是將其分為 5 種類別。使用 tf.data.Dataset API執(zhí)行數(shù)據(jù)加載。

Keras 和 Tensorflow 在其所有訓(xùn)練和評估功能中接受數(shù)據(jù)集。在數(shù)據(jù)集中加載數(shù)據(jù)后，API 會提供對神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)有用的所有常用功能：

dataset = ... # load something (see below)dataset = dataset.shuffle(1000) # shuffle the dataset with a buffer of 1000dataset = dataset.cache() # cache the dataset in RAM or on diskdataset = dataset.repeat() # repeat the dataset indefinitelydataset = dataset.batch(128) # batch data elements together in batches of 128dataset = dataset.prefetch(-1) # prefetch next batch(es) while training

了解 API 并試著運行：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/02_Dataset_playground.ipynb

關(guān)于鮮花數(shù)據(jù)集，數(shù)據(jù)集按 5 個文件夾組織，每個文件夾都包含一種花。文件夾名為向日葵，雛菊，蒲公英，郁金香和玫瑰。數(shù)據(jù)托管在 Google 云端存儲上的公共存儲區(qū)中。

gs://flowers-public/sunflowers/5139971615_434ff8ed8b_n.jpggs://flowers-public/daisy/8094774544_35465c1c64.jpggs://flowers-public/sunflowers/9309473873_9d62b9082e.jpggs://flowers-public/dandelion/19551343954_83bb52f310_m.jpggs://flowers-public/dandelion/14199664556_188b37e51e.jpggs://flowers-public/tulips/4290566894_c7f061583d_m.jpggs://flowers-public/roses/3065719996_c16ecd5551.jpggs://flowers-public/dandelion/8168031302_6e36f39d87.jpggs://flowers-public/sunflowers/9564240106_0577e919da_n.jpggs://flowers-public/daisy/14167543177_cd36b54ac6_n.jpg

tf.data.Dataset 基礎(chǔ)知識

數(shù)據(jù)通常包含多個文件，此處為圖像，通過調(diào)用以下方法創(chuàng)建文件名數(shù)據(jù)集：

filenames_dataset = tf.data.Dataset.list_files('gs://flowers-public/*/*.jpg')# The parameter is a "glob" pattern that supports the * and ? wildcards.

然后，將函數(shù) “映射” 到每個文件名，這些文件通常導(dǎo)入文件并解碼為內(nèi)存中的實際數(shù)據(jù)：

def decode_jpeg(filename):bits = tf.read_file(filename)image = tf.image.decode_jpeg(bits)return imageimage_dataset = filenames_dataset.map(decode_jpeg)# this is now a dataset of decoded images (uint8 RGB format)

有關(guān) tf.data.Dataset 的基礎(chǔ)知識、tf.data.Dataset 和 eager 模式、元組數(shù)據(jù)集的詳細(xì)步驟，請戳：

https://codelabs.developers.google.com/codelabs/keras-flowers-data/#3

但逐個加載圖像很慢，在迭代此數(shù)據(jù)集時，每秒只可以加載 1-2 個圖像。我們將用訓(xùn)練的硬件加速器，可以將速率提高很多倍。

快速加載數(shù)據(jù)

我們將在本實驗中使用的 Tensor Processing Unit（TPU）硬件加速器。Google 云端存儲（GCS）能夠保持極高的吞吐量，但與所有云存儲系統(tǒng)一樣，形成連接時需要來回請求。因此，將數(shù)據(jù)存儲為數(shù)千個單獨的文件并不理想。我們將在少量文件中批量處理它們，并使用 tf.data.Dataset 的強大功能一次性讀取多個文件。

通過加載圖像文件的代碼將它們調(diào)整為通用大小，然后將它們存儲在 16 個 TFRecord 文件中，代碼鏈接如下：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/03_Flower_pictures_to_TFRecords.ipynb

經(jīng)驗法則是將數(shù)據(jù)分成幾個（10s 到 100s）的大文件（10s 到 100s 的 MB）。如果有太多文件，例如數(shù)千個文件，那么訪問每個文件的時間可能會開始妨礙。如果文件太少，例如一兩個文件，那么就無法并行獲取多個文件的優(yōu)勢。

TFRecord 文件格式

Tensorflow 用于存儲數(shù)據(jù)的首選文件格式是基于 protobuf 的 TFRecord 格式。其他序列化格式也可以使用，可以通過以下方式直接從 TFRecord 文件加載數(shù)據(jù)集：

filenames_dataset = tf.data.Dataset.list_files（FILENAME_PATTERN）tfrecords_dataset = tf.data.TFRecordDataset（filenames，num_parallel_reads = 32）

但你擁有 TFRecords 的數(shù)據(jù)集時，下一步解碼步驟就是從每個記錄中獲得數(shù)據(jù)。如前所述，你將使用 Dataset.map，并注意 num_parallel_reads=32 參數(shù)。這將從 32 個 TFRecord 文件并行加載數(shù)據(jù)，可以獲得最佳性能。

在 Keras 中利用遷移學(xué)習(xí)

本次實驗在 keras 中實現(xiàn)遷移學(xué)習(xí)，將強大的預(yù)訓(xùn)練模型應(yīng)用于我們的數(shù)據(jù)集，不用費力重新訓(xùn)練模型。此外，本實驗包含有關(guān)神經(jīng)網(wǎng)絡(luò)的必要理論解釋。

神經(jīng)網(wǎng)絡(luò)分類器是由幾個層的神經(jīng)元組成。對于圖像分類，這些可以是 Dense 層，或者更常見的是卷積層。它們通常通過 relu 激活函數(shù)激活。最后一層使用與類相同數(shù)量的神經(jīng)元，并使用 softmax 激活。對于分類，交叉熵是最常用的損失函數(shù)，將獨熱編碼標(biāo)簽（即正確答案）與神經(jīng)網(wǎng)絡(luò)預(yù)測的概率進(jìn)行比較。例如，為了最大限度地減少損失，最好選擇具有動量的優(yōu)化器 AdamOptimizer 并批量訓(xùn)練圖像和標(biāo)簽。

對于構(gòu)建為層序列的模型，Keras 提供了 Sequential API。例如，使用三個 Dense 層的圖像分類器可以在 Keras 中編寫為：

model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=[192, 192, 3]), tf.keras.layers.Dense(500, activation="relu"), tf.keras.layers.Dense(50, activation="relu"), tf.keras.layers.Dense(5, activation='softmax') # classifying into 5 classes])# this configures the training of the model. Keras calls it "compiling" the model.model.compile( optimizer='adam', loss= 'categorical_crossentropy', metrics=['accuracy']) # % of correct answers# train the modelmodel.fit(dataset, ... )

Dense 神經(jīng)網(wǎng)絡(luò)

這是用于分類圖像的最簡單的神經(jīng)網(wǎng)絡(luò)。它由分層排列的 “神經(jīng)元” 組成。第一層處理輸入數(shù)據(jù)并將其輸出饋送到其他層。之所以被稱為 “Dense” 是因為每個神經(jīng)元都連接到前一層中的所有神經(jīng)元。

你可以將圖像的所有像素的 RGB 值展開為長矢量并將其用作輸入，從而將圖像輸入到此類網(wǎng)絡(luò)中。它不是圖像識別的最佳技術(shù)，但我們稍后會對其進(jìn)行改進(jìn)。

神經(jīng)元

“神經(jīng)元” 計算其所有輸入的并進(jìn)行加權(quán)求和，添加一個稱為 “偏差” 的值，并通過所謂的 “激活函數(shù)” 提供結(jié)果。權(quán)重和偏差最初是未知的。它們將被隨機初始化并通過在許多已知數(shù)據(jù)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)來 “學(xué)習(xí)”。

最流行的激活函數(shù)被稱為 RELU（Rectified Linear Unit）如上圖所示。

Softmax 激活

我們將花分為 5 類（玫瑰，郁金香，蒲公英，雛菊，向日葵），使用經(jīng)典 RELU 激活函數(shù)。然而，在最后一層，我們想要計算 0 到 1 之間的數(shù)字，表示這朵花是玫瑰，郁金香等的概率。為此，我們將使用名為 “softmax” 的激活函數(shù)。

在矢量上應(yīng)用 softmax 函數(shù)是通過取每個元素的指數(shù)然后歸一化矢量來完成的，通常使用 L1 范數(shù)（絕對值之和），使得這些值加起來可以解釋為概率。

對于圖像分類問題，Dense 層可能是不夠的。但我們也可以另辟蹊徑！有完整的卷積神經(jīng)網(wǎng)絡(luò)可供下載。我們可以切掉它們的最后一層 softmax 分類，并用下載的替換它。所有訓(xùn)練過的權(quán)重和偏差保持不變，你只需重新訓(xùn)練你添加的 softmax 層。這種技術(shù)被稱為遷移學(xué)習(xí)，只要預(yù)先訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集與你的 “足夠接近”，它就可以工作。

請打開下面的 notebook，同時按住 Shift-ENTER 運行代碼：

https://codelabs.developers.google.com/codelabs/keras-flowers-convnets/#0

插圖：使用已經(jīng)訓(xùn)練過的復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)作為黑匣子，僅對分類的最后一層進(jìn)行再訓(xùn)練。這是遷移學(xué)習(xí)。

通過遷移學(xué)習(xí)，你可以從頂級研究人員已經(jīng)開發(fā)的高級卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和大量圖像數(shù)據(jù)集的預(yù)訓(xùn)練中受益。在我們的案例中，我們將從 ImageNet 訓(xùn)練的網(wǎng)絡(luò)遷移學(xué)習(xí)。

在 Keras 中，可以從 tf.keras.applications.* 集合中實例化預(yù)先訓(xùn)練的模型。例如，MobileNet V2 是一個非常好的卷積架構(gòu)，其尺寸合理。通過選擇 include_top=False，你可以獲得沒有最終 softmax 圖層的預(yù)訓(xùn)練模型，以便你可以添加自己的模型：

pretrained_model = tf.keras.applications.MobileNetV2(input_shape=[*IMAGE_SIZE, 3], include_top=False)pretrained_model.trainable = Falsemodel = tf.keras.Sequential([ pretrained_model, tf.keras.layers.Flatten(), tf.keras.layers.Dense(5, activation='softmax')])

另請注意 pretrained_model.trainable = False 設(shè)置。它凍結(jié)了預(yù)訓(xùn)練模型的權(quán)重和偏差，因此你只能訓(xùn)練 softmax 圖層。這通常針對相對較少的權(quán)重并且可以快速完成而無需非常大的數(shù)據(jù)集。但是，如果你確實擁有大量數(shù)據(jù)，那么 pretrained_model.trainable = True 可以讓遷移學(xué)習(xí)更好地工作。然后，經(jīng)過預(yù)先訓(xùn)練的權(quán)重可提供出色的初始值，并且仍可通過訓(xùn)練進(jìn)行調(diào)整，以更好地適應(yīng)你的問題。

最后，請注意在 dense softmax 層前插入 Flatten（）層。Dense 層對數(shù)據(jù)的平面向量起作用，但我們不知道這是否是預(yù)訓(xùn)練模型返回的內(nèi)容，這就是我們需要扁平化的原因。在下一章中，當(dāng)我們深入研究卷積體系結(jié)構(gòu)時，我們將解釋卷積層返回的數(shù)據(jù)格式。

在 Keras 中利用 TPU 組建卷積神經(jīng)網(wǎng)絡(luò)

本次實驗，完成三個目標(biāo)：

使用 Keras Sequential 模型構(gòu)建卷積圖像分類器。

在 TPU 上訓(xùn)練 Keras 模型

使用良好的卷積層選擇來微調(diào)模型。

卷積將神經(jīng)網(wǎng)絡(luò)將一系列濾波器應(yīng)用于圖像的原始像素數(shù)據(jù)以提取和學(xué)習(xí)更高級別的特征，使得該模型能夠?qū)⑦@些特征用于分類。卷積將神經(jīng)網(wǎng)絡(luò)包含三個組件：

卷積層，將特定數(shù)量的卷積濾鏡（convolution filters）應(yīng)用于圖像。對于每個子區(qū)域，圖層執(zhí)行一組數(shù)學(xué)運算以在輸出特征映射中生成單個值。

池化層（Pooling layers），負(fù)責(zé)對由卷積層提取的圖像數(shù)據(jù)進(jìn)行下采樣以減少特征映射的維度以提高處理效率。常用的池化算法是最大池化，其提取特征地圖的子區(qū)域（例如，2×2 像素的塊），保持它們的最大值并丟棄所有其他值。

Dense 層，對由卷積圖層提取的特征并由共用圖層進(jìn)行下采樣執(zhí)行分類。Dense 層是全連接的神經(jīng)網(wǎng)絡(luò)，在 Dense 層中，圖層中的每個節(jié)點都連接到前一圖層中的每個節(jié)點。

用最大池化做卷積的動畫示例如下?

用 Softmax 激活函數(shù)連接分類器，典型的卷積分類器如下?

在 keras 中搭建神經(jīng)網(wǎng)絡(luò)代碼如下：

model = tf.keras.Sequential([# input: images of size 192x192x3 pixels (the three stands for RGB channels) tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu', input_shape=[192, 192, 3]), tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=2), tf.keras.layers.Conv2D(kernel_size=3, filters=12, padding='same', activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=2), tf.keras.layers.Conv2D(kernel_size=3, filters=6, padding='same', activation='relu'), tf.keras.layers.Flatten(),# classifying into 5 categories tf.keras.layers.Dense(5, activation='softmax')])model.compile( optimizer='adam', loss= 'categorical_crossentropy', metrics=['accuracy'])

在搭建的過程中，必須在權(quán)重和偏差之間找到適當(dāng)?shù)钠胶恻c，如果權(quán)重太大，神經(jīng)網(wǎng)絡(luò)可能無法代表復(fù)雜性，如果參數(shù)太多，可能導(dǎo)致過擬合。所以在在 Keras 中，用 model.summary () 函數(shù)顯示模型的結(jié)構(gòu)和參數(shù)：

具體代碼地址：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_playground.ipynb

在 Keras 中利用 TPU 組建現(xiàn)代卷積網(wǎng)絡(luò)和實現(xiàn)分類

之前三個實驗已經(jīng)分別介紹了 TPU、遷移學(xué)習(xí)和卷積網(wǎng)絡(luò)，是不是已經(jīng)覺得很厲害了？別著急，最后的大招來了，本次實驗我們將實現(xiàn)在 Keras 中利用 TPU 組建現(xiàn)代卷積網(wǎng)絡(luò)和實現(xiàn)分類。

現(xiàn)代卷積架構(gòu)（Modern convolutions networks）

簡而言之，從 "Inception" 和 "Inception v2" 開始的現(xiàn)代卷積網(wǎng)絡(luò)通常使用 “模塊”，其中在同一輸入上同時嘗試不同的卷積層，它們的輸出被連接并且網(wǎng)絡(luò)通過訓(xùn)練決定哪個層是最有用的。

在 Keras 中，要創(chuàng)建數(shù)據(jù)流可以分支進(jìn)出的模型，必須使用 “functional” 模型。這是一個例子：

l = tf.keras.layers # syntax shortcuty = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=[192, 192, 3])(x) # x=input image# module start: branch outy1 = l.Conv2D(filters=32, kernel_size=1, padding='same', activation='relu')(y)y3 = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')(y)y = l.concatenate([y1, y3]) # output now has 64 channels# module end: concatenation# many more layers ...# Create the model by specifying the input and output tensors.# Keras layers track their connections automatically so that's all that's needed.z = l.Dense(5, activation='softmax')(y)model = tf.keras.Model(x, z)

其他小技巧

小型 3x3 濾波器

在此圖中，你可以看到兩個連續(xù) 3x3濾波器的結(jié)果。嘗試追溯哪些數(shù)據(jù)點對結(jié)果有貢獻(xiàn)：這兩個連續(xù)的 3x3濾波器計算 5x5 區(qū)域的某種組合。它與 5x5 濾波器計算的組合并不完全相同，但值得嘗試，因為兩個連續(xù)的 3x3 濾波器比單個 5x5 濾波器效率更高。

1x1 卷積？

在數(shù)學(xué)術(shù)語中，“1x1” 卷積是常數(shù)的乘法，而不是非常有用的概念。但是，在卷積神經(jīng)網(wǎng)絡(luò)中，請記住濾波器應(yīng)用于數(shù)據(jù)立方體，而不僅僅是 2D 圖像。因此，“1x1” 濾波器計算 1x1 數(shù)據(jù)列的加權(quán)和（參見圖示），當(dāng)你在數(shù)據(jù)中滑動時，你將獲得輸入通道的線性組合。這實際上很有用。如果你將通道視為單個過濾操作的結(jié)果，例如 “貓耳朵” 的過濾器，另一個用于 “貓胡須”，第三個用于 “貓眼睛”，則 “1x1” 卷積層將計算多個這些特征的可能線性組合，在尋找 “貓” 時可能很有用。

Squeezenet

將這些想法融合在一起的簡單方法已在 “Squeezenet” 論文中展示，即一種僅使用 1x1 和 3x3 卷積層的卷積模塊設(shè)計。

https://arxiv.org/abs/1602.07360

基于 “fire model” 的 squeezenet 架構(gòu)。它們交替使用 1x1 層，在垂直維度上 “擠壓” 輸入數(shù)據(jù)，然后是兩個并行的 1x1 和 3x3 卷積層，再次 “擴展” 數(shù)據(jù)深度。

構(gòu)建一個受 squeezenet 啟發(fā)的卷積神經(jīng)網(wǎng)絡(luò)時，我們就不能直接像上面一樣直接堆疊已有模塊，需要將模型代碼更改為 Keras 的 “功能樣式”，來定義自己的模塊。

想要嘗試 Squeezenet 架構(gòu)練習(xí)的戳以下鏈接：

https://codelabs.developers.google.com/codelabs/keras-flowers-squeezenet/#6

最后，手把手教程運行代碼如下：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_playground.ipynb

最后，再次給出四個實驗的鏈接，供參考喲～

https://codelabs.developers.google.com/codelabs/keras-flowers-data/#2

https://codelabs.developers.google.com/codelabs/keras-flowers-transfer-learning/#2

https://codelabs.developers.google.com/codelabs/keras-flowers-convnets/#0

https://codelabs.developers.google.com/codelabs/keras-flowers-squeezenet/#0

此項目支持答疑，打開下列網(wǎng)址提交你的問題

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_squeezenet.ipynb