网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
✨ 博客主页:小小马车夫的主页
✨ 所属专栏:Tensorflow
文章目录
前言
刚开始学习tensorflow, 首先接触的是minist手写数字识别,用的梯度下降算法,记录一下以备后续复习和供其他初学者参考,如有错误请不吝指正,万分感谢。
环境:
- python 3.9.13
- Tensorflow 2.11.0
- Tensorboard 2.11.0
一、tenosrflow minist手写数字识别代码
将说明加在代码注释,方便查看复习。
import tensorflow as tf
from tensorflow import keras
from keras import layers, optimizers, datasets
#加载minist数据集,分成训练集和测试集,每个样本包含图像和标签
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets', x.shape, y.shape, x.min(), y.min())
#训练集图像数据归一化到0-1之前
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
#构建数据集对象
db = tf.data.Dataset.from_tensor_slices((x, y))
#批量训练,并行计算一次32个样本、所有数据集迭代20次
db = db.batch(32).repeat(10)
#构建Sequential窗口,一共3层网络,并且前一个网络的输出作为后一个网络的输入
model = keras.Sequential([
layers.Dense(256, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dense(10)
])
#指定输入大小
model.build(input_shape=(None, 28\*28))
#打印出网络的结构和参数量
model.summary()
#optimizers用于更新梯度下降算法参数,0.01为学习率
optimizer = optimizers.SGD(lr=0.01)
#准备率
acc_meter = keras.metrics.Accuracy()
#创建参数文件
summary_writer = tf.summary.create_file_writer('/Users/qcr/tf\_log')
#循环数据集
for step, (xx, yy) in enumerate(db):
#上下文
with tf.GradientTape() as tape:
#图像样本大小重置(-1, 28\*28)
xx = tf.reshape(xx, (-1, 28\*28))
#获取输出
out = model(xx)
#实际标签转为onehot编码
y_onehot = tf.one_hot(yy, depth=10)
#计算误差
loss = tf.square(out-y_onehot)
loss = tf.reduce_sum(loss/xx.shape[0])
#更新准备率
acc_meter.update_state(tf.argmax(out, axis=1), yy)
#更新梯度参数
grads = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))
#参数存储,便于查看曲线图
with summary_writer.as_default():
tf.summary.scalar('train-loss', float(loss), step=step)
tf.summary.scalar('test-acc', acc_meter.result().numpy(), step=step)
#tf.summary.image('val-onebyone-images', val)
if step % 1000 == 0:
print(step, 'loss:', float(loss), 'acc:', acc_meter.result().numpy())
acc_meter.reset_states()
二、输出
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
](https://bbs.csdn.net/topics/618545628)**
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!