使用python3.8+tensorflow对mnist数据集进行训练

tensorflow2.X新特性

从运行机制上讲，Tensorflow1.x 与 Tensorflow2.0的主要区别在于tf1.x使用静态图而tf2.x使用Eager Mode动态图。对于我们这种框架使用者来说，就是看API是否易于调用，tf2.x在API上进行了优化，不再需要我们创建session对象和运行，而是框架自动创建和运算。具体参考另外一个大神的分析：https://blog.csdn.net/keeppractice/article/details/105934521?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-5.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-5.nonecase

基于python3.8和tensorflow2.0实现mnist数据集训练

具体代码如下（有简单注释）：

import tensorflow as tf
import matplotlib.pyplot as plt
mnist = tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test) = mnist.load_data()
#设置超参数
batch_size = 128epoch = 10
#数据降维
x_train = x_train.reshape(60000,28*28)
x_test = x_test.reshape(10000,28*28)
#数据归一化处理
x_train = x_train/255.0
x_test = x_test/255.0
#控制台打印样本信息
#print(x_train[0],'train samples')
#print(x_test[0],'test samples')
#对标签进行one_hot编码，将标签转为二进制表示形式
y_train = tf.one_hot(y_train,10)
y_test = tf.one_hot(y_test,10)
#创建模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Input(shape=x_train.shape[1:]))
model.add(tf.keras.layers.Dense(30,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))
model.summary()
#设置模型参数
ops = tf.keras.optimizers.SGD(learning_rate=0.005)   #优化器
#lossf = tf.keras.losses.categorical_crossentropy(y_train,y_pred)   #损失函数
#metric = tf.keras.metrics.Accuracy()   #评价标准
model.compile(
    #optimizer='sgd',    
    optimizer=ops,    
    loss='categorical_crossentropy',    
    metrics='accuracy')
#训练模型
model.fit(
    x = x_train,
    y = y_train,    
    batch_size = batch_size,    
    epochs= epoch,    
    validation_data=(x_test,y_test)
 )
#测试预测结果
n = 10
predict = model.predict(x_test[:10],n)
fig = plt.figure(figsize=(10,2))
for i in range(n):
    plt.subplot(1,10,i+1)    
    p = x_test[i].reshape(28,28)    
    plt.imshow(p,cmap='gray')    
    plt.legend()    
    if tf.argmax(y_test[i])== tf.argmax(predict[i]):     
       plt.title(str(tf.argmax(y_test[i]).numpy()) + ',' + str(tf.argmax(predict[i]).numpy()),color='green')   
    else:
    		plt.title(str(tf.argmax(y_test[i]).numpy()) + ',' + str(tf.argmax(predict[i]).numpy()),color='red')
	plt.show()

这是我进行简单的训练得到的结果，迭代次数仅仅为10次，用时10s左右，其训练样本的准确率为89.3%，测试样本的成功率为89.7%，样本为欠拟合，还能继续增加训练次数或者调整超参数进行优化训练: ![Alt]

这是使用训练好的模型去预测测试数据集，选取其中一部分做的可视化：

鸣谢：

菜鸟一枚，如果有什么不足的地方，恳请指出。有什么疑问，也可以提出，相互学习进步。