tensorflow2.3完成吴恩达手势识别,TensorFlow入门
建议用Jupyter Notebook运行
训练很大的数据的话,jupyter Notebook可以一段一段执行,并保持运行之后参数结果,如果用pycharm,测试的话,每次都要计算训练大量数据很浪费时间。
源代码
import numpy as np
import matplotlib.pyplot as plt
import tf_utils
np.random.seed(1)
import tensorflow as tf
# 导入数据,分别为输入特征和标签
X_train_orig , Y_train_orig , X_test_orig , Y_test_orig , classes = tf_utils.load_dataset()
# plt.imshow(X_train_orig[1000])
# plt.show()
# 随机打乱数据(因为原始数据是顺序的,顺序不打乱会影响准确率)
# seed: 随机数种子,是一个整数,当设置之后,每次生成的随机数都一样(为方便教学,以保每位同学结果一致)
'''
np.random.seed(116) # 使用相同的seed,保证输入特征和标签一一对应
np.random.shuffle(X_train_orig)
np.random.seed(116)
np.random.shuffle(Y_train_orig)
tf.random.set_seed(116)
'''
X_train_flatten = X_train_orig.reshape(X_train_orig.shape[0],-1) #每一列就是一个样本
X_test_flatten = X_test_orig.reshape(X_test_orig.shape[0],-1)
Y_train_flatten = Y_train_orig.reshape(-1) #每一列就是一个样本
Y_test_flatten = Y_test_orig.reshape(-1)
y_train = Y_train_flatten.T
y_test = Y_test_flatten.T
#归一化数据
x_train = X_train_flatten / 255
x_test = X_test_flatten / 255
# 转换x的数据类型,否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函数使输入特征和标签值一一对应。(把数据集分批次,每个批次batch组数据)
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 生成神经网络的参数,12288个输入特征故,输入层为12288个输入节点;因为6分类,故输出层为6个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同(方便教学,使大家结果都一致,在现实使用时不写seed)
w1 = tf.Variable(tf.random.truncated_normal([12288, 25], stddev=0.1, seed=1))
b1 = tf.Variable(tf.zeros([25]))
w2 = tf.Variable(tf.random.truncated_normal([25, 12], stddev=0.1, seed=2))
b2 = tf.Variable(tf.zeros([12]))
w3 = tf.Variable(tf.random.truncated_normal([12, 6], stddev=0.1, seed=3))
b3 = tf.Variable(tf.zeros([6]))
lr = 0.01 # 学习率为0.01
train_loss_results = [] # 将每轮的loss记录在此列表中,为后续画loss曲线提供数据
test_acc = [] # 将每轮的acc记录在此列表中,为后续画acc曲线提供数据
epoch = 1400 # 循环1400轮
loss_all = 0 # 每轮分34个step,loss_all记录34个step生成的34个loss的和
for epoch in range(epoch): # 数据集级别的循环,每个epoch循环一次数据集
for step, (x_train, y_train) in enumerate(train_db): # batch级别的循环 ,每个step循环一个batch
with tf.GradientTape(persistent=True) as tape: # with结构记录梯度信息
y1 = tf.matmul(x_train, w1) + b1 # 神经网络乘加运算
y1 = tf.nn.relu(y1)
y2 = tf.matmul(y1, w2) + b2
y2 = tf.nn.relu(y2)
y = tf.matmul(y2, w3) + b3
y = tf.nn.softmax(y) # 使输出y符合概率分布(此操作后与独热码同量级,可相减求loss)
y_ = tf.one_hot(y_train, depth=6) # 将标签值转换为独热码格式,方便计算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 采用均方误差损失函数mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 将每个step计算出的loss累加,为后续求loss平均值提供数据,这样计算的loss更准确
# 计算loss对各个参数的梯度
grads3 = tape.gradient(loss, [w3, b3])
grads2 = tape.gradient(loss, [w2, b2])
grads1 = tape.gradient(loss, [w1, b1])
# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w3.assign_sub(lr * grads3[0])
b3.assign_sub(lr * grads3[1])
w2.assign_sub(lr * grads2[0])
b2.assign_sub(lr * grads2[1])
w1.assign_sub(lr * grads1[0]) # 参数w1自更新
b1.assign_sub(lr * grads1[1]) # 参数b自更新
# 每个epoch,打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all / 34))
train_loss_results.append(loss_all / 34) # 将4个step的loss求平均记录在此变量中
loss_all = 0 # loss_all归零,为记录下一个epoch的loss做准备
# 测试部分
# total_correct为预测对的样本个数, total_number为测试的总样本数,将这两个变量都初始化为0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数进行预测
y1 = tf.matmul(x_test, w1) + b1
y1 = tf.nn.relu(y1)
y2 = tf.matmul(y1, w2) + b2
y2 = tf.nn.relu(y2)
y = tf.matmul(y2, w3) + b3
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引,即预测的分类
# 将pred转换为y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分类正确,则correct=1,否则为0,将bool型的结果转换为int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 将每个batch的correct数加起来
correct = tf.reduce_sum(correct)
# 将所有batch中的correct数加起来
total_correct += int(correct)
# total_number为测试的总样本数,也就是x_test的行数,shape[0]返回变量的行数
total_number += x_test.shape[0]
# 总的准确率等于total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
# 绘制 loss 曲线
plt.title('Loss Function Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Loss') # y轴变量名称
plt.plot(train_loss_results, label="$Loss$") # 逐点画出trian_loss_results值并连线,连线图标是Loss
plt.legend() # 画出曲线图标
plt.show() # 画出图像
# 绘制 Accuracy 曲线
plt.title('Acc Curve') # 图片标题
plt.xlabel('Epoch') # x轴变量名称
plt.ylabel('Acc') # y轴变量名称
plt.plot(test_acc, label="$Accuracy$") # 逐点画出test_acc值并连线,连线图标是Accuracy
plt.legend()
plt.show()
import matplotlib.image as mpimg
my_image1 = r"C:/Users/ww/Desktop/2.png"
image1 = mpimg.imread(my_image1)
plt.imshow(image1)
my_image1 = image1.reshape(1,64 * 64 * 3)
y1 = tf.matmul(my_image1, w1) + b1
y1 = tf.nn.relu(y1)
y2 =tf.matmul(y1,w2) + b2
y2 = tf.nn.relu(y2)
y = tf.matmul(y2,w3) + b3
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1)
print("预测结果: y = " + str(np.squeeze(pred)))
如果帮助到你的话,希望点个赞,收藏一下,谢谢~