【tensorflow2.0】实例4

最新推荐文章于 2022-07-12 13:36:54 发布

糊涂懿

最新推荐文章于 2022-07-12 13:36:54 发布

阅读量213

点赞数

分类专栏： tensorflow2.0 文章标签： tensorflow

本文链接：https://blog.csdn.net/XXXXXXJY/article/details/108876994

版权

tensorflow2.0 专栏收录该内容

21 篇文章 1 订阅

订阅专栏

import tensorflow as tf
print(tf.__version__)

mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
training_images=training_images.reshape(60000, 28, 28, 1)
training_images=training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images=test_images/255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(28, 28, 1)),
  tf.keras.layers.MaxPooling2D(2, 2),
  tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
  tf.keras.layers.MaxPooling2D(2,2),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

后面三行跟之前的设置方法一样。
tf.keras.layers.Conv2D(64, (3,3), activation=‘relu’, input_shape=(28, 28, 1))中：
Conv2D()指定第一个卷积，要求keras为我们生成64个过滤器，这些过滤器是3×3的；激活函数是relu，意味着负值会被丢弃；输入形状是28×28，后面额外的1表示用1个字节来计算颜色深度，因为图像是灰度，所以只使用一个字节。这64个过滤器的类定义有点超出了scope的范围，但它们是随机的，它们从一组已知良好的过滤器开始，不断拟合，并且从该组中工作的过滤器会随着时间推移而学习。

tf.keras.layers.MaxPooling2D(2, 2)中：
这一行代码会创建一个池化层，这是极大池化层因为我们要取它的最大值。

接着继续添加一个卷积层和一个极大池化层，使神经网络可以学习到另一组信息。之后再进行池化，减小其大小。当信息扁平化，进入全连接层后，它的信息就已经被压缩得较为精简。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.summary()
model.fit(training_images, training_labels, epochs=5)
test_loss = model.evaluate(test_images, test_labels)

model.summary()是一个很重要的方法，它能检查模型当中的网络层，查看图片在卷积层被卷积的过程。
在这里插入图片描述
注意到output shape（输出大小）这一栏，比如（None, 26, 26, 64），这不是28×28大小的数据，反而输出是26×26，这是因为过滤器是3×3的，当从图片左上角开始卷积，将左上角区域的像素点放大，但最左上角的数据没有相邻的数据，所以不能计算它左边的数据；同样，右边的像素点的上方也没有任何的像素点，所以第一个能做卷积的是不在边缘的像素点，如下图，因为它有着全部八个相邻的像素点。因此输出的把实际的x和y都少了两个像素点。在上下左右四个边界分别移除了一个像素，所以造成了输出大小的改变。
在这里插入图片描述
如果过滤器是5×5，那么x、y的输出会更小，都会少4个像素点。

第一个极大池化层的输出形状是(None, 13, 13, 64)，池化的方法可以将2×2的像素点变成一个像素点，所以现在我们的输出从26×26减小成了13×13。

接着又是卷积，变成11×11；另一个2×2的极大池化层，使其又变成5×5。

现在，全连接层和之前一样，只不过被5×5的像素点表示了，而不是28×28了。

我们指定的每个图像有很多卷积层，在这里都是64。因此，64个卷积被5×5的像素表示了。

扁平层中(None, 1600)，这个1600是因为25个像素乘以64就是1600。所以新的扁平层有1600个元素，扁平层就是将方形矩阵展平变成列向量。这个值和所设置的卷积层参数有关。

总结一下，卷积和池化的方法：我们设置了两个卷积层，每个都有64个卷积，每个层后面都有一个最大池化层。对于每张图片，都尝试了64次卷积，然后将图像压缩，然后又有64个卷积，然后再次压缩，然后通过DNN就可完成任务。不仅速度提高，还可以得到更准确的测试数据和训练数据。

接下来展示卷积过程中图像的变化：

print(test_labels[:100])

首先先打印出前100个测试标签。keras的API给了我们每个卷积、每个池化以及每个密集等作为一层。因此，使用图像api可以看每一层的输出，所以可以创建每个图层输出的列表，然后可以将图层中的每个项目都视为个体激活模型。

import matplotlib.pyplot as plt
f, axarr = plt.subplots(3,4)
FIRST_IMAGE=0
SECOND_IMAGE=7
THIRD_IMAGE=26
CONVOLUTION_NUMBER = 1
from tensorflow.keras import models
layer_outputs = [layer.output for layer in model.layers]
activation_model = tf.keras.models.Model(inputs = model.input, outputs = layer_outputs)
for x in range(0,4):
  f1 = activation_model.predict(test_images[FIRST_IMAGE].reshape(1, 28, 28, 1))[x]
  axarr[0,x].imshow(f1[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
  axarr[0,x].grid(False)
  f2 = activation_model.predict(test_images[SECOND_IMAGE].reshape(1, 28, 28, 1))[x]
  axarr[1,x].imshow(f2[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
  axarr[1,x].grid(False)
  f3 = activation_model.predict(test_images[THIRD_IMAGE].reshape(1, 28, 28, 1))[x]
  axarr[2,x].imshow(f3[0, : , :, CONVOLUTION_NUMBER], cmap='inferno')
  axarr[2,x].grid(False)

现在，通过遍历各层可以显示图像的变化：
在这里插入图片描述
通过第一次卷积合并，然后池化；然后第二次卷积，第二次池化。图像的大小的改变可以通过轴来查看。
CONVOLUTION_NUMBER = 1：将卷积数设为1，可以看到它几乎立即检测到鞋带区域是鞋子之间的共同特征。通过改变FIRST_IMAGE=0
SECOND_IMAGE=7
THIRD_IMAGE=26
CONVOLUTION_NUMBER = 1可以检测不同的fashion对象。