T1打卡——mnist手写数字识别

• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊

1.定义GPU

import tensorflow as tf

gpus=tf.config.list_physical_devices("GPU")

if gpus:
    gpu0=gpus[0]
    tf.config.experimental.set_memort_groth(gpu0,True)   #设置GPU现存用量按需使用
    tf.config.experimental.set_visible_devices([gpu0],"GPU")

2.数据预处理

#导入数据
import tensorflow as tf
from tensorflow.keras import datasets,layers,models
import matplotlib.pyplot as plt

(train_images,train_labels),(test_images,test_labels)=datasets.mnist.load_data()

#标准化
train_images,test_images=train_images/255.0,test_images/255.0
#查看维数
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
#数据可视化
plt.figure(figsize=(20,5))
for i in range(20):
    plt.subplot(2,10,i+1)
    #不显示x轴刻度
    plt.xticks([])
    #不显示y轴刻度
    plt.yticks([])
    #不显示子图网格线
    plt.grid(False)
    #cmap是颜色图谱，plt.cm.binary是色表
    plt.imshow(train_images[i],cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
plt.show()

#重塑数据维度使其可易于被模型处理
train_images=train_images.reshape((60000,28,28,1))
test_images=test_images.reshape((10000,28,28,1))

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

3.定义CNN网络模型

#定义cnn模型
model=models.Sequential([
    ## 设置二维卷积层1，设置32个3*3卷积核
    layers.Conv2D(32,(3,3),activation='relu',input_shape=(28,28,1)),
    #池化层1，2*2采样
    layers.MaxPooling2D((2,2)),
     # 设置二维卷积层2，设置64个3*3卷积核，
    layers.Conv2D(64,(3,3),activation='relu'),
    #池化层2，2*2采样
    layers.MaxPooling2D((2,2)),
    #连接卷积层和全连接层
    layers.Flatten(),
    #全连接层，64是输出维度
    layers.Dense(64,activation='relu'),
    #输出层，输出维度是10
    layers.Dense(10)
])
model.summary()
#定义优化器损失函数
model.compile(
    optimizer='adam',
    #交叉熵损失函数（tf.keras.losses.SparseCategoricalCrossentropy(), from_logits为True时，会将y_pred转化为概率（用softmax），否则不进行转换，通常情况下用True结果更稳定
    loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=(['accuracy'])
)

4.训练模型

history=model.fit(train_images,train_labels,epochs=10,validation_data=(test_images,test_labels))

5.预测数据

plt.imshow(test_images[1])

pre=model.predict(test_images)
pre[1]

 

知识点总结：

1.CNN网络

         卷积层：通过卷积操作对输入图像进行降维和特征抽取
         池化层：是一种非线性形式的下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的鲁棒性。
         全连接层：在经过几个卷积和池化层之后，神经网络中的高级推理通过全连接层来完成。

        作用：         

• 输入层：用于将数据输入到训练网络

• 卷积层：使用卷积核提取图片特征

• 池化层：进行下采样，用更高层的抽象表示图像特征

• Flatten层：将多维的输入一维化，常用在卷积层到全连接层的过渡

• 全连接层：起到“特征提取器”的作用

• 输出层：输出结果

2.定义gpu的方法：

import tensorflow as tf

gpus=tf.config.list_physical_devices("GPU")

if gpus:
    gpu0=gpus[0]
    tf.config.experimental.set_memort_groth(gpu0,True)   #设置GPU现存用量按需使用
    tf.config.experimental.set_visible_devices([gpu0],"GPU")