参考:https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book
手写数字识别流程:
数据集准备:
-
导入TF库及子库
-
datasets.mnist.load_data() # 加载数据集
-
转换为张量,缩放到-1~1 x = 2*tf.convert_to_tensor(x, dtype=tf.float32)/255.-1
-
y = tf.convert_to_tensor(y, dtype=tf.int32) # y转换为张量
-
y = tf.one_hot(y, depth=10) # one-hot 编码
-
构建数据集
-
train_dataset = train_dataset.batch(512) # 批量训练
-
datasets.mnist.load_data() # 加载数据集
(x, y), (x_val, y_val) = datasets.mnist.load_data()
#x,x_val 分别为训练集和测试集;y和 y_val分别为相应的分类标签。
load_data()函数返回两个元组(tuple)对象,第一个是训练集,第二个是测试集。其中训练集X的大小为(60000,28,28),代表了 60000 个样本,每个样本由 28 行、28 列构成;测试集X的大小为(10000,28,28),代表了 10000 个样本,每个样本由 28 行、28 列构成;
通过预处理步骤,我们把[0,255]像素范围归一化(Normalize)到[0,1. ]区间,有利于模型的训练。
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
tf.convert_to_tensor()执行后返回一个Tensor
y = tf.convert_to_tensor(y, dtype=tf.int32)
y = tf.one_hot(y, depth=10)
x,y分别是特征和标签,为了简化说明问题,我们假设每两个特征对应一个标签。之后把特征和标签组合成一个tuple。
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
plt.subplot(3,3,i+1)
plt.imshow(x[i])
plt.ylabel(y[i].numpy())
plt.figure()
for i in range(9): ####显示9张图像
plt.subplot(3,3,i+1) #3行3列,i+1表示从上到下,从左到右排序后的第几个位置。
plt.imshow(x[i]) 显示图像
plt.ylabel(y[i].numpy())
plt.show()
网络搭建:使用 TensorFlow 的 Sequential 容器可以非常方便地搭建多层的网络。对于 3 层网络,输出层节点数设计为 10。直接调用这个模型对象 model(x)就可以返回模型最后一层的输出:
model = keras.Sequential([ # 3 个非线性层的嵌套模型
layers.Dense(256, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dense(10)])
模型训练: 得到模型输出 后,通过 MSE 损失函数计算当前的误差L:
with tf.GradientTape() as tape: # 构建梯度记录环境
# 打平,[b, 28, 28] => [b, 784]
x = tf.reshape(x, (-1, 28*28))
# Step1. 得到模型输出 output
# [b, 784] => [b, 10]
out = model(x)
再利用 TensorFlow 提供的自动求导函数 tape.gradient(loss, model.trainable_variables)求出模型中所有的梯度信息
∂L/∂θ , θ ∈ {W 1 , b 1 , W 2 , b 2 , W 3 , b 3 }:
# Step3. 计算参数的梯度 w1, w2, w3, b1, b2, b3
grads = tape.gradient(loss, model.trainable_variables)
计算获得的梯度结果使用 grads 变量保存。再使用 optimizers 对象自动按着梯度更新法则去更新模型的参数θ。
grads = tape.gradient(loss, model.trainable_variables)
# w' = w - lr * grad,更新网络参数
optimizer.apply_gradients(zip(grads, model.trainable_variables))
循环迭代多次后,就可以利用学好的模型f θ 去预测未知的图片的类别概率分布
注(从 TensorFlow 中加载的 MNIST 数据图片,数值的范围在[0,255]之间。在机器学习中间,一般希望数据的范围在 0 周围小范围内分布。通过预处理步骤,我们把[0,255]像素范围归一化(Normalize)到[0,1. ]区间,再缩放到[−1,1]区间,从而有利于模型的训练)
def train_epoch(epoch):
# Step4.loop
for step, (x, y) in enumerate(train_dataset):
with tf.GradientTape() as tape:
# [b, 28, 28] => [b, 784]
x = tf.reshape(x, (-1, 28 * 28))
# Step1. compute output
# [b, 784] => [b, 10]
out = model(x)
# Step2. compute loss
loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
# Step3. optimize and update w1, w2, w3, b1, b2, b3
grads = tape.gradient(loss, model.trainable_variables)
# w' = w - lr * grad
optimizer.apply_gradients(zip(grads, model.trainable_variables))
if step % 100 == 0:
print(epoch, step, 'loss:', loss.numpy())
- [ ] List item