最全tensorflow2 minist手写数字识别数据训练(1)，贼厉害

最新推荐文章于 2024-08-17 20:26:25 发布

2401_84160087

最新推荐文章于 2024-08-17 20:26:25 发布

阅读量419

点赞数 3

分类专栏：程序员文章标签： tensorflow 人工智能 python

本文链接：https://blog.csdn.net/2401_84160087/article/details/138549078

版权

程序员专栏收录该内容

186 篇文章 1 订阅

订阅专栏

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。

需要这份系统化资料的朋友，可以戳这里获取

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

请添加图片描述

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()