第一周：手写数字识别

• 🍨 本文为🔗365天深度学习训练营 内部限免文章（版权归 K同学啊 所有）
• 🍦 参考文章地址： 🔗深度学习100例-循环神经网络（RNN）心脏病预测 | 第46天
• 🍖 作者：K同学啊 | 接辅导、程序定制

一、前期工作

语言环境：Python3.6.5
编译器：jupyter notebook
深度学习环境：TensorFlow2

1. 设置GPU（如果使用的是CPU可以忽略这步）

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]
    tf.config.experimental.set_memory_growth(gpu0,True)
    tf.config.set_visible_devices([gpu0],"GPU")

2. 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()

3. 归一化
使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。
加快学习算法的收敛速度。

train_images,test_images=train_images/255.0,test_images/255.0

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

输出：((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))

4. 可视化图片

#可视化图片
plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(2,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i],cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
plt.show()

输出为：

5. 调整图片格式

#调整图片格式
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

二、构建CNN网络模型

#构建cnn网络
model =models.Sequential([
    layers.Conv2D(32,(3,3),activation='relu',input_shape=(28,28,1)),
    layers.MaxPool2D((2,2)),
    layers.Flatten(),
    layers.Dense(64,activation='relu'),
    layers.Dense(10)
])
#打印网络结构
model.summary()

网络结构

三、编译模型

#模型编译
model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']
)

四、训练模型

#训练模型
history = model.fit(
    train_images,
    train_labels,
    epochs=10,
    validation_data=(test_images,test_labels)
)

训练过程

五、预测

通过下面的网络结构我们可以简单理解为，输入一张图片，将会得到一组数，这组代表这张图片上的数字为0~9中每一个数字的几率，out数字越大可能性越大。
LeNet-5网络结构

plt.imshow(test_images[1])

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

准确率为：

声明
本人为初学者，教程来源为k同学啊的100例。
首先了解卷积层各个层的作用与优化功能：

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