物流企业网站模板,安监局网站做应急预案备案,做网站作业,杭州房价暴跌已开始文章目录 前期工作1. 设置GPU#xff08;如果使用的是CPU可以忽略这步#xff09;我的环境#xff1a; 2. 导入数据3.归一化4.可视化5.调整图片格式 二、构建CNN网络模型三、编译模型四、训练模型五、预测六、知识点详解1. MNIST手写数字数据集介绍2. 神经网络程序说明3. 网… 文章目录 前期工作1. 设置GPU如果使用的是CPU可以忽略这步我的环境 2. 导入数据3.归一化4.可视化5.调整图片格式 二、构建CNN网络模型三、编译模型四、训练模型五、预测六、知识点详解1. MNIST手写数字数据集介绍2. 神经网络程序说明3. 网络结构说明 前期工作
1. 设置GPU如果使用的是CPU可以忽略这步
我的环境
语言环境Python3.6.5编译器jupyter notebook深度学习环境TensorFlow2.4.1
import tensorflow as tf
gpus tf.config.list_physical_devices(GPU)if gpus:gpu0 gpus[0] #如果有多个GPU仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],GPU)2. 导入数据
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt(train_images, train_labels), (test_images, test_labels) datasets.mnist.load_data()3.归一化
# 将像素的值标准化至0到1的区间内。
train_images, test_images train_images / 255.0, test_images / 255.0train_images.shape,test_images.shape,train_labels.shape,test_labels.shape4.可视化
plt.figure(figsize(20,10))
for i in range(20):plt.subplot(5,10,i1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i], cmapplt.cm.binary)plt.xlabel(train_labels[i])
plt.show()5.调整图片格式
#调整数据到我们需要的格式
train_images train_images.reshape((60000, 28, 28, 1))
test_images test_images.reshape((10000, 28, 28, 1))# train_images, test_images train_images / 255.0, test_images / 255.0train_images.shape,test_images.shape,train_labels.shape,test_labels.shape二、构建CNN网络模型
model models.Sequential([layers.Conv2D(32, (3, 3), activationrelu, input_shape(28, 28, 1)),layers.MaxPooling2D((2, 2)),layers.Conv2D(64, (3, 3), activationrelu),layers.MaxPooling2D((2, 2)),layers.Flatten(),layers.Dense(64, activationrelu),layers.Dense(10)
])model.summary()Model: sequential
_________________________________________________________________Layer (type) Output Shape Param #
conv2d (Conv2D) (None, 26, 26, 32) 320 max_pooling2d (MaxPooling2D (None, 13, 13, 32) 0 ) conv2d_1 (Conv2D) (None, 11, 11, 64) 18496 max_pooling2d_1 (MaxPooling (None, 5, 5, 64) 0 2D) flatten (Flatten) (None, 1600) 0 dense (Dense) (None, 64) 102464 dense_1 (Dense) (None, 10) 650
Total params: 121,930
Trainable params: 121,930
Non-trainable params: 0
_________________________________________________________________三、编译模型
model.compile(optimizeradam,losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue),metrics[accuracy])四、训练模型
history model.fit(train_images, train_labels, epochs10, validation_data(test_images, test_labels))Epoch 1/10
1875/1875 [] - 15s 8ms/step - loss: 0.1429 - accuracy: 0.9562 - val_loss: 0.0550 - val_accuracy: 0.9803
Epoch 2/10
1875/1875 [] - 14s 7ms/step - loss: 0.0460 - accuracy: 0.9856 - val_loss: 0.0352 - val_accuracy: 0.9883
Epoch 3/10
1875/1875 [] - 13s 7ms/step - loss: 0.0312 - accuracy: 0.9904 - val_loss: 0.0371 - val_accuracy: 0.9880
Epoch 4/10
1875/1875 [] - 14s 7ms/step - loss: 0.0234 - accuracy: 0.9925 - val_loss: 0.0330 - val_accuracy: 0.9900
Epoch 5/10
1875/1875 [] - 14s 8ms/step - loss: 0.0176 - accuracy: 0.9944 - val_loss: 0.0311 - val_accuracy: 0.9904
Epoch 6/10
1875/1875 [] - 16s 9ms/step - loss: 0.0136 - accuracy: 0.9954 - val_loss: 0.0300 - val_accuracy: 0.9911
Epoch 7/10
1875/1875 [] - 14s 8ms/step - loss: 0.0109 - accuracy: 0.9964 - val_loss: 0.0328 - val_accuracy: 0.9909
Epoch 8/10
1875/1875 [] - 14s 7ms/step - loss: 0.0097 - accuracy: 0.9969 - val_loss: 0.0340 - val_accuracy: 0.9903
Epoch 9/10
1875/1875 [] - 15s 8ms/step - loss: 0.0078 - accuracy: 0.9974 - val_loss: 0.0499 - val_accuracy: 0.9879
Epoch 10/10
1875/1875 [] - 13s 7ms/step - loss: 0.0078 - accuracy: 0.9976 - val_loss: 0.0350 - val_accuracy: 0.9902五、预测
通过下面的网络结构我们可以简单理解为输入一张图片将会得到一组数这组代表这张图片上的数字为0~9中每一个数字的几率out数字越大可能性越大。
plt.imshow(test_images[1])输出测试集中第一张图片的预测结果
pre model.predict(test_images)
pre[1]313/313 [] - 1s 2ms/step
array([ 3.3290668 , 0.29532072, 21.943724 , -7.09336 ,-15.3133955 , -28.765621 , -1.8459738 , -5.761892 ,-2.966585 , -19.222878 ], dtypefloat32)六、知识点详解
本文使用的是最简单的CNN模型- -LeNet-5如果是第一次接触深度学习的话可以先试着把代码跑通然后再尝试去理解其中的代码。
1. MNIST手写数字数据集介绍
MNIST手写数字数据集来源于是美国国家标准与技术研究所是著名的公开数据集之一。数据集中的数字图片是由250个不同职业的人纯手写绘制数据集获取的网址为http://yann.lecun.com/exdb/mnist/ 下载后需解压。我们一般会采用(train_images, train_labels), (test_images, test_labels) datasets.mnist.load_data()这行代码直接调用这样就比较简单
MNIST手写数字数据集中包含了70000张图片其中60000张为训练数据10000为测试数据70000张图片均是28*28数据集样本如下 如果我们把每一张图片中的像素转换为向量则得到长度为28*28784的向量。因此我们可以把训练集看成是一个[60000,784]的张量第一个维度表示图片的索引第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1之间。 2. 神经网络程序说明
神经网络程序可以简单概括如下
3. 网络结构说明 各层的作用
输入层用于将数据输入到训练网络卷积层使用卷积核提取图片特征池化层进行下采样用更高层的抽象表示图像特征Flatten层将多维的输入一维化常用在卷积层到全连接层的过渡全连接层起到“特征提取器”的作用
