?2016-2026 Matools All rights reserved,
粵ICP備17059708號
提示：建議先看day36-38的內(nèi)容
TensorFlow? 是一個采用數(shù)據(jù)流圖（data flow
graphs），用于數(shù)值計算的開源軟件庫。節(jié)點（Nodes）在圖中表示數(shù)學操作，圖中的線（edges）則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。它靈活的架構(gòu)讓你可以在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU），服務器，移動設備等等。
TensorFlow
最初由Google大腦小組（隸屬于Google機器智能研究機構(gòu)）的研究員和工程師們開發(fā)出來，用于機器學習和深度神經(jīng)網(wǎng)絡方面的研究，但這個系統(tǒng)的通用性使其也可廣泛用于其他計算領(lǐng)域。
1、安裝庫tensorflow
有些教程會推薦安裝nightly，它適用于在一個全新的環(huán)境下進行TensorFlow的安裝，默認會把需要依賴的庫也一起裝上。我使用的是anaconda，本文我們安裝的是純凈版的tensorflow，非常簡單，只需打開Prompt：
pip?install?tensorflow
安裝成功
導入成功
#導入keras from?tensorflow?import?keras #導入tensorflow import?tensorflow?as?tf
注：有些教程中導入Keras用的是import tensorflow.keras as keras會提示No module named
'tensorflow.keras'
2、導入mnist數(shù)據(jù)
在上篇文章中我們已經(jīng)提到過 MNIST 了，用有趣的方式解釋梯度下降算法
<https://mp.weixin.qq.com/s?__biz=MzA4MjYwMTc5Nw==&mid=2648931235&idx=2&sn=5258d235f155a93a8fecc0d8558a01e4&chksm=8794e989b0e3609fdd82921f218e9c4d4a51316c15e5e38b627bc95171fef230e65391448fc9&token=123511318&lang=zh_CN&scene=21#wechat_redirect>
它是一個收錄了許多 28 x 28 像素手寫數(shù)字圖片（以灰度值矩陣存儲）及其對應的數(shù)字的數(shù)據(jù)集,可以把它理解成下圖這個樣子：
由于眾所周知的原因，Keras自帶minist數(shù)據(jù)集下載會報錯，無法下載。博客園崔小秋同學給出了很好的解決方法：
1、找到本地keras目錄下的mnist.py文件，通常在這個目錄下。
2、下載mnist.npz文件到本地，下載鏈接如下。
https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q
<https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q>
3、修改mnist.py文件為以下內(nèi)容，并保存
from?__future__?import?absolute_import from?__future__?import?division
from?__future__?import?print_function from?..utils.data_utils?import?get_file
import?numpy?as?np def?load_data(path='mnist.npz'):
????"""Loads?the?MNIST?dataset. #?Arguments
????????path:?path?where?to?cache?the?dataset?locally
????????????(relative?to?~/.keras/datasets). ????#?Returns
????????Tuple?of?Numpy?arrays:?`(x_train,?y_train),?(x_test,?y_test)`. ????"""
????path?=?'E:/Data/Mnist/mnist.npz'?#此處的path為你剛剛存放mnist.py的目錄。注意斜杠
????f?=?np.load(path) ????x_train,?y_train?=?f['x_train'],?f['y_train']
????x_test,?y_test?=?f['x_test'],?f['y_test'] ????f.close()
????return?(x_train,?y_train),?(x_test,?y_test)
看一下數(shù)據(jù)
mnist?=?tf.keras.datasets.mnist
(x_train,?y_train),(x_test,?y_test)?=?mnist.load_data() print(x_train[0].shape)
(28, 28)
import?matplotlib.pyplot?as?plt plt.imshow(x_train[0],cmap=plt.cm.binary)
plt.show()
print(y_train[0])
5
對數(shù)據(jù)進行歸一化處理
x_train?=?tf.keras.utils.normalize(x_train,?axis=1)
x_test?=?tf.keras.utils.normalize(x_test,?axis=1)
再看一下，圖像的像素值被限定在了 [0,1]
plt.imshow(x_train[0],cmap=plt.cm.binary) plt.show()
3 構(gòu)建與訓練模型我們使用 Keras 的 Sequential 模型（順序模型），順序模型是多個網(wǎng)絡層的線性堆疊。本文旨在介紹TensorFlow
及Keras用法，不再展開，有興趣的同學們學習其具體用法，可以參考Keras文檔：
https://keras.io/zh/getting-started/sequential-model-guide/
<https://keras.io/zh/getting-started/sequential-model-guide/>
model?=?tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,?activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128,?activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10,?activation=tf.nn.softmax))
model.compile(optimizer='adam',
??????????????loss='sparse_categorical_crossentropy',
??????????????metrics=['accuracy']) model.fit(x_train,?y_train,?epochs=3)
我們構(gòu)建出的模型大概是這個樣子的，區(qū)別是我們的隱藏層有128個單元
在訓練的過程中，我們會發(fā)現(xiàn)損失值（loss）在降低，而準確度（accuracy）在提高，最后達到了一個令人滿意的程度。
Epoch 1/3
60000/60000 ?- 8s 127us/step - loss: 0.2677 - acc: 0.9211Epoch 2/3
60000/60000 ?- 8s 130us/step - loss: 0.1106 - acc: 0.9655Epoch 3/3
60000/60000 ?- 8s 136us/step - loss: 0.0751 - acc: 0.9764
4 測試模型
val_loss,?val_acc?=?model.evaluate(x_test,?y_test) print(val_loss)
print(val_acc)
10000/10000 ?- 0s 45us/step0.0916121033909265
0.9713
損失和準確度看起來還湊合，嘗試識別訓練集
predictions?=?model.predict(x_test) print(predictions)
用 argmax 解析一下（就是找出最大數(shù)對應的索引，即為識別出的數(shù)字）
import?numpy?as?np print(np.argmax(predictions[0]))
7
plt.imshow(x_test[0],cmap=plt.cm.binary) plt.show()
OK，模型可以識別數(shù)字了。
5、保存模型
主要用于模型的存儲和恢復。
model.save('epic_num_reader.model') #?加載保存的模型
new_model?=?tf.keras.models.load_model('epic_num_reader.model') #?測試保存的模型
predictions?=?new_model.predict(x_test)print(np.argmax(predictions[0]))
看到這里的都是真愛，另推薦一個Keras教程
Colab超火的Keras/TPU深度學習免費實戰(zhàn)，有點Python基礎就能看懂的快速課程
<https://mp.weixin.qq.com/s?__biz=MzA4MjYwMTc5Nw==&mid=2648930407&idx=2&sn=994ebf05f8fc6f98607b4e13cdf9ac81&chksm=8794ea4db0e3635bcbe34ea70f16de5c7c16e49ffd843bae4a2237d5b696c7e9a0636ff1f02c&token=123511318&lang=zh_CN&scene=21#wechat_redirect>
參考：
https://www.cnblogs.com/shinny/p/9283372.html
<https://www.cnblogs.com/shinny/p/9283372.html>
https://www.cnblogs.com/wj-1314/p/9579490.html
<https://www.cnblogs.com/wj-1314/p/9579490.html>
https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day%2039.ipynb
<https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day%2039.ipynb>
熱門工具 換一換