TensorFlow—part2
基于中国大学生MOOC视频TensorFlow入门实操课程第二章,以及自己遇到的一些问题
慕课视频链接:https://www.icourse163.org/learn/youdao-1460578162?tid=1461280442#/learn/announce
前言
计算机视觉介绍,使用的是Fashion MNIST数据集,70000张图片,10个类别,28*28像素,训练神经元网络
一、辅助理解
输入层将像素展平,中间层处理
权重计算及使用的激活函数,relu使用在中间层,负数全为0,正数才有相应输出;softmax使用在输出层,无论是多少都压缩到0-1
二、课程代码
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
#lesson2_2
#加载数据集,第一次要下载会比较慢
fashion_mnist =keras.datasets.fashion_mnist
(train_images,train_lables),(test_images,test_lables) = fashion_mnist.load_data()
#可以查看一下图片
#print(test_images.shape)
#plt.imshow(train_images[0])
#plt.show()#pycharm需要用这个才能显示图片
#lession2_3
model = keras.Sequential()
model.add(keras.layers.Flatten(input_shape=(28,28))) #输入层
model.add(keras.layers.Dense(128,activation=tf.nn.relu)) #中间层128个神经元 param=100480 = (28*28+1)*128 1为blas相当于截距,每层一个
model.add(keras.layers.Dense(10,activation=tf.nn.softmax)) #输出层10个神经元 param=1290 = (128+1)*10
#全连接的网络结构
#model.summary()
#lession2_4
train_images = train_images/255
model.compile(optimizer="adam",loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_lables,epochs=5)
test_images_scaled = test_images/255
model.evaluate(test_images_scaled,test_lables)
#参考链接:https://blog.csdn.net/weixin_45954454/article/details/114437165
#测试集的维度为3,取出一个样本维度变成2,所以报错,因此要重新建立样本
demo = tf.reshape(test_images[0]/255,(1,28,28))
np.argmax(model.predict(demo)) #只用model.predict(demo)会显示每一种的概率
print(test_lables[0])
#plt.imshow(test_images[0])
#plt.show()
#lesson2_5
#防止过拟合,自动终止训练,在训练的loss和测试的loss出现分叉时
# class myCallback(tf.keras.callbacks.Callback):
# def on_epoch_end(self, epoch, logs={}):
# if(logs.get('loss')<0.4):
# print("\nLoss is low sp cancelling training")
# self.model.stop_training = True
#
# callback = myCallback()
# mnist = tf.keras.datasets.fashion_mnist
# (training_images,training_lables),(test_images,test_lables) = mnist.load_data()
# training_images_scaled = training_images/255.0
# test_images_scaled = test_images/255.0
# model = tf.keras.models.Sequential([
# tf.keras.layers.Flatten(),
# tf.keras.layers.Dense(128,activation=tf.nn.relu),
# tf.keras.layers.Dense(10,activation=tf.nn.softmax)
# ])
#
# model.compile(optimizer='adam',loss='sparse_categorical_crossentropy')
# model.fit(training_images_scaled,training_lables,epochs=5,callbacks=[callback])
总结
继续冲!!!!