文章目录
1. 数据加载2. 数据处理3. 模型构建4. 模型编译5. 模型训练6. 模型测试7. 模型保存总结使用手写数字的MNIST数据集如上图所示，该数据集包含60,000个用于训练的样本和10,000个用于测试的样本，图像是固定大小(28x28像素)，其值为0到255。
整个案例的实现流程是：
数据加载数据处理模型构建模型训练模型测试模型保存
首先要导入所需的工具包：
# 导入相应的工具包import numpy as npimport matplotlib.pyplot as pltplt.rcParams['figure.figsize'] = (7,7) # Make the figures a bit biggerimport tensorflow as tf# 数据集from tensorflow.keras.datasets import mnist# 构建序列模型from tensorflow.keras.models import Sequential# 导入需要的层from tensorflow.keras.layers import Dense, Dropout, Activation,BatchNormalization# 导入辅助工具包from tensorflow.keras import utils# 正则化from tensorflow.keras import regularizers
1. 数据加载
首先加载手写数字图像
# 类别总数nb_classes = 10# 加载数据集(X_train, y_train), (X_test, y_test) = mnist.load_data()# 打印输出数据集的维度print("训练样本初始维度", X_train.shape)print("训练样本目标值初始维度", y_train.shape)
结果为：
训练样本初始维度 (60000, 28, 28)训练样本目标值初始维度 (60000,)
数据展示：
# 数据展示：将数据集的前九个数据集进行展示for i in range(9):plt.subplot(3,3,i+1)# 以灰度图显示，不进行插值plt.imshow(X_train[i], cmap='gray', interpolation='none')# 设置图片的标题：对应的类别plt.title("数字{}".format(y_train[i]))
效果如下所示：
2. 数据处理
神经网络中的每个训练样本是一个向量，因此需要对输入进行重塑，使每个28x28的图像成为一个的784维向量。另外，将输入数据进行归一化处理，从0-255调整到0-1。
# 调整数据维度：每一个数字转换成一个向量X_train = X_train.reshape(60000, 784)X_test = X_test.reshape(10000, 784)# 格式转换X_train = X_train.astype('float32')X_test = X_test.astype('float32')# 归一化X_train /= 255X_test /= 255# 维度调整后的结果print("训练集：", X_train.shape)print("测试集：", X_test.shape）
输出为：
训练集： (60000, 784)测试集： (10000, 784)
另外对于目标值我们也需要进行处理，将其转换为热编码的形式：
实现方法如下所示：
# 将目标值转换为热编码的形式Y_train = utils.to_categorical(y_train, nb_classes)Y_test = utils.to_categorical(y_test, nb_classes)
3. 模型构建
在这里我们构建只有3层全连接的网络来进行处理：
构建方法如下所示：
# 利用序列模型来构建模型model = Sequential()# 全连接层，共512个神经元，输入维度大小为784model.add(Dense(512, input_shape=(784,)))# 激活函数使用relumodel.add(Activation('relu')) # 使用正则化方法drouout model.add(Dropout(0.2)) # 全连接层，共512个神经元,并加入L2正则化model.add(Dense(512,kernel_regularizer=regularizers.l2(0.001)))# BN层model.add(BatchNormalization())# 激活函数model.add(Activation('relu'))model.add(Dropout(0.2))# 全连接层，输出层共10个神经元model.add(Dense(10))# softmax将神经网络输出的score转换为概率值model.add(Activation('softmax'))
我们通过model.summay来看下结果：
Model: "sequential_6"_________________________________________________________________Layer (type) Output Shape Param # =================================================================dense_13 (Dense) (None, 512)401920 _________________________________________________________________activation_8 (Activation) (None, 512)0 _________________________________________________________________dropout_7 (Dropout)(None, 512)0 _________________________________________________________________dense_14 (Dense) (None, 512)262656 _________________________________________________________________batch_normalization (BatchNo (None, 512)2048_________________________________________________________________activation_9 (Activation) (None, 512)0 _________________________________________________________________dropout_8 (Dropout)(None, 512)0 _________________________________________________________________dense_15 (Dense) (None, 10)5130_________________________________________________________________activation_10 (Activation) (None, 10)0 =================================================================Total params: 671,754Trainable params: 670,730Non-trainable params: 1,024_________________________________________________________________
4. 模型编译
设置模型训练使用的损失函数交叉熵损失和优化方法adam，损失函数用来衡量预测值与真实值之间的差异，优化器用来使用损失函数达到最优：
# 模型编译，指明损失函数和优化器，评估指标pile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'])
5. 模型训练
# batch_size是每次送入模型中样本个数，epochs是所有样本的迭代次数，并指明验证数据集history = model.fit(X_train, Y_train,batch_size=128, epochs=4,verbose=1,validation_data=(X_test, Y_test))
训练过程如下所示：
Epoch 1/4469/469 [==============================] - 2s 4ms/step - loss: 0.5273 - accuracy: 0.9291 - val_loss: 0.2686 - val_accuracy: 0.9664Epoch 2/4469/469 [==============================] - 2s 4ms/step - loss: 0.2213 - accuracy: 0.9662 - val_loss: 0.1672 - val_accuracy: 0.9720Epoch 3/4469/469 [==============================] - 2s 4ms/step - loss: 0.1528 - accuracy: 0.9734 - val_loss: 0.1462 - val_accuracy: 0.9735Epoch 4/4469/469 [==============================] - 2s 4ms/step - loss: 0.1313 - accuracy: 0.9768 - val_loss: 0.1292 - val_accuracy: 0.9777
将损失绘制成曲线：
# 绘制损失函数的变化曲线plt.figure()# 训练集损失函数变换plt.plot(history.history["loss"], label="train_loss")# 验证集损失函数变化plt.plot(history.history["val_loss"], label="val_loss")plt.legend()plt.grid()
将训练的准确率绘制为曲线：
# 绘制准确率的变化曲线plt.figure()# 训练集准确率plt.plot(history.history["accuracy"], label="train_acc")# 验证集准确率plt.plot(history.history["val_accuracy"], label="val_acc")plt.legend()plt.grid()
另外可通过tensorboard监控训练过程，这时我们指定回调函数：
# 添加tensoboard观察tensorboard = tf.keras.callbacks.TensorBoard(log_dir='./graph', histogram_freq=1,write_graph=True,write_images=True)
在进行训练：
# 训练history = model.fit(X_train, Y_train,batch_size=128, epochs=4,verbose=1,callbacks=[tensorboard],validation_data=(X_test, Y_test))
打开终端：
# 指定存在文件的目录，打开下面命令tensorboard --logdir="./"
在浏览器中打开指定网址，可查看损失函数和准确率的变化，图结构等。
6. 模型测试
# 模型测试score = model.evaluate(X_test, Y_test, verbose=1)# 打印结果print('测试集准确率:', score)
结果：
313/313 [==============================] - 0s 1ms/step - loss: 0.1292 - accuracy: 0.9777Test accuracy: 0.9776999950408936
7. 模型保存
# 保存模型架构与权重在h5文件中model.save('my_model.h5')# 加载模型：包括架构和对应的权重model = tf.keras.models.load_model('my_model.h5')
总结
能够利用tf.keras获取数据集：
load_data()
能够进行多层神经网络的构建
dense,激活函数，dropout,BN层等
能够完成网络的训练和评估
fit，回调函数，evaluate, 保存模型
