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~