- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍦 参考文章：TensorFlow入门实战｜第1周：实现mnist手写数字识别_K同学啊的博客-CSDN博客
- 🍖 原作者：K同学啊|接辅导、项目定制
我的环境：
- 语言环境：Python3.11.2
- 编译器：PyCharm Community Edition 2022.3
- 深度学习环境：TensorFlow2
一、跑通代码
1.1 前期工作
1、导入数据
因为使用的是tensorflow为CPU版本，故忽略GPU设置，直接进行数据的导入。
import tensorflow as tf
#导入加载数据集模块、构建网络层模块、内置模型模块
from tensorflow.keras import datasets,layers,models
#导入二维图标库
import matplotlib.pyplot as plt
#导入mnist数据，分别为训练集图片、训练集标签、测试集图片以及测试集标签
(train_images, train_labels, test_images, test_labels) = datasets.mnist.load_data()tf.keras是TensorFlow中的一个高级API，用来快速构建神经网络。datasets模块用来加载数据集，在该例中用于加载mnist数据集，它将返回包含训练图像、训练标签、测试图像和测试标签四个numpy数组。layers模块中包含了构建神经网络中常用的各种网络层的类，可以用于构建自定义神经网络。而models模块包含了tf.keras中的一些内置模型。
2、归一化
对图像的特征缩放有两种方法——归一化与标准化，用于将不同量纲的特征处理至同一数量级，减小方差大的特征的影响，使模型更准确，加快学习算法的收敛程度，此处使用灰度图，其最大值均为255，最小值均为0，故使用归一化进行操作。
#归一化处理
train_images, test_images = train_images/255.0, test_images/255.0
#输出维度信息
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)
'''
输出：((60000,28,28),(10000,28,28),(60000,),(10000,))
'''3、可视化图片
使用matplotlib.pyplot实现图片可视化：
#设置画布大小20宽、10长
plt.figure(figsize=(20,10))
#展示数据集前20个图片，遍历下标0~19
for i in range(20):
#将画布分为2行10列，在第i+1的位置放置图片
plt.subplot(2,10,i+1)
#不显示x轴刻度
plt.xticks([])
#不显示y轴刻度
plt.yticks([])
#不显示网格线
plt.grid(False)
#图像展示，cmap为颜色色谱，'plt.cm.binary'为matplotlib.cm中的色表
plt.imshow(train_images[i], cmap=plt.cm.binary)
#设置x轴标签，为图片对应数字
plt.xlabel(train_label[i])
#显示图片
plt.show运行结果：
4、调整图片格式
通过设置将图片调整为我们需要的格式：
#参数分别为样本数，高，宽，通道数
train_images = train_images.reshape((60000,28,28,1))
test_images = test_images.reshape((60000,28,28,1))
#显示更改后信息
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)
'''
输出：((60000,28,28,1), (10000,28,28,1), (60000,), (10000,)
'''此处调整了通道数，若要调整高或宽，需要对应比例调整样本数或宽或高。
1.2 构建CNN网络模型
简单的CNN网络模型包含输入层、两个卷积层、两个池化层、Flatten层、全连接层以及输出层。
卷积层：用于对输入图像进行降维和提取图片中的信息，这些信息为图片的特征。图片在计算机中以一个个矩阵进行展示，图片有几个通道就是由几个矩阵相加而成，卷积操作就是由卷积核先从左到右，再从上到下的对每个通道的矩阵进行互相关计算（对应位置相乘再相加，最后通道的值也对应相加）。
池化层：对卷积层中提取的特征进行挑选，是一种非线性形式的下采样。主要用于特征降维，压缩数据和参数的数量（不进行反向传播，且减少了特征图的变量个数），减小过拟合，同时提高模型的鲁棒性。常见的池化操作有最大池化和平均池化
全连接层：将池化层的所有特征矩阵转化为一维大向量，进行高级推理。
#设置Sequential模型，创建神经网络
model = models.Sequential([
#设置二维卷积层1，设置32个3*3卷积核，activation参数将激活函数设置为ReLU函数
#input_shape设置图形的输入形状
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
#池化层1,2*2采样
layers.MaxPooling2D(2*2),
#设置二维卷积层2，设置64个3*3卷积核，激活函数设置为ReLU函数
layers.Conv2D(64, (3, 3), activation='relu'),
#池化层2,2*2采样
layers.MaxPooling2D((2, 2)),
#Flatten层，用于连接卷积层与全连接层
layers.Flatten(),
#全连接层，特征进一步提取，64为输出空间的维数（神经元），激活函数为ReLU函数
layers.Dense(64,activation='relu'),
#输出层，10为输出空间的维数
layers.Dense(10)
])
#打印网络结构
model.summary()运行结果：
1.3 编译模型
设置优化器、损失函数以及metrics
损失函数：深度学习模型用来计算目标预测错误程度。通过损失函数计算得到的误差结果，需要对模型参数（权重与偏差）进行很小的改动，以此减小预测错误。y_pred指预测数据向量。
优化器：优化损失函数，以使损失函数最小化的方式更改可训练参数。损失函数指导优化器朝正确的方向移动。优化器即最优算法，以求模型最优解。可以分为三类：梯度下降法、动量优化法、自适应学习率优化法。此处使用的是自适应学习率优化
metrics:用于指定在训练和评估模型时要使用的指标。该参数为一个列表，可以包含多个指标。此处为准确率。
#compile()方法用于在配置训练方法时设置优化器、损失函数和准确率评测标准
model.compile(
#设置优化器为Adam优化器
optimizer = 'adam'
#设置损失函数为交叉熵损失函数
#from_logits为True时，会将y_pred转化为概率
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
#设置性能指标列表，将在模型训练时对列表中的指标进行监控
metrics = ['accuracy']
)1.4 训练模型
model.fit()用于为计算该类处理所需的相关参数。验证集不参与训练，并在每次epochs结束后测试模型的指标
#设置训练数据集、验证数据集以及迭代次数
history = model.fit(
#输入训练集图片
train_images,
#输入训练集标签
train_labels,
#迭代次数，每个epoch都会将所有数据输入模型完成一次训练
epochs=10,
#设置验证集
validation_data = (test_images, test_labels))
1.5 预测
#显示测试集第一张图片
plt.imshow(test_images[0])
plt.show()
#输出测试集第一张图片的预测结果
#先对所有图片进行预测
pre = model.predict(test_images)
#输出第一张图片的预测结果
print(pre[1])测试集的第一张图片（此处为彩色是因为matplotlib库图像显示问题）：
机器学习结果：
显示的是该图片为0~9中数字的可能性，并非为概率，数字越大可能性越大。
至此代码运行完成。
二、理解深度学习
深度学习即通过提取数据特征对数据进行分析的一种方法，通过利用反向传播算法，从大量的训练样本中学习统计规律，从而对未知事物做预测。它并非传统的将代码的由因得果，而是通过对大量数据建立模型，进行‘统计’。在mnist手写集实例中，通过对训练集进行特征提取、降维分析，来对测试集进行预测。导入图片后对图片格式进行调整，通过Sequential模型构建简单的CNN神经网络，设置神经网络的损失函数、优化器以及监控指标对模型进行编译，通过训练集训练后对测试集进行预测，从而获取当成训练的指标。最后利用神经网络对测试集进行预测。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
