Ви не можете вибрати більше 25 тем
Теми мають розпочинатися з літери або цифри, можуть містити дефіси (-) і не повинні перевищувати 35 символів.
55 рядки
1.8 KiB
55 рядки
1.8 KiB
import os
|
|
import tensorflow as tf
|
|
import matplotlib.pyplot as plt
|
|
import numpy as np
|
|
|
|
mnist = tf.keras.datasets.mnist
|
|
(x_train, y_train),(x_test, y_test) = mnist.load_data(path="/data/data/mnist.npz") #加载mnist数据集
|
|
|
|
#验证mnist数据集大小。x为数据，y为标签。mnist每张图的像素为28*28
|
|
print(x_train.shape)
|
|
print(y_train.shape)
|
|
print(x_test.shape)
|
|
print(y_test.shape)
|
|
|
|
#打印训练集中前9张，看看是什么数字
|
|
for i in range(9):
|
|
plt.subplot(3,3,1+i)
|
|
plt.imshow(x_train[i], cmap='gray')
|
|
plt.show()
|
|
|
|
#打印相应的标签
|
|
print(y_train[:9])
|
|
|
|
#基操：将像素标准化一下
|
|
x_train, x_test = x_train / 255.0, x_test / 255.0
|
|
|
|
#搭建一个两层神经网络
|
|
model = tf.keras.models.Sequential([
|
|
tf.keras.layers.Flatten(input_shape=(28, 28)), #拉伸图像成一维向量
|
|
tf.keras.layers.Dense(128, activation='relu'), #第一层全连接+ReLU激活
|
|
tf.keras.layers.Dropout(0.2), #dropout层
|
|
tf.keras.layers.Dense(10, activation='softmax') #第二层全连接+softmax激活，输出预测标签
|
|
])
|
|
|
|
#设置训练超参，优化器为sgd，损失函数为交叉熵，训练衡量指标为accuracy
|
|
model.compile(optimizer='sgd', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
|
|
|
|
#开始训练，训练5个epoch，一个epoch代表所有图像计算一遍。每一个epoch能观察到训练精度的提升
|
|
model.fit(x_train, y_train, epochs=5)
|
|
|
|
#计算训练了5个epoch的模型在测试集上的表现
|
|
model.evaluate(x_test, y_test)
|
|
|
|
|
|
#直观看一下模型预测结果，打印测试集中的前9张图像
|
|
for i in range(9):
|
|
plt.subplot(3,3,1+i)
|
|
plt.imshow(x_test[i], cmap='gray')
|
|
plt.show()
|
|
|
|
#打印模型识别的数字，是否正确？
|
|
np.argmax(model(x_test[:9]).numpy(), axis=1)
|
|
|
|
#保存训练好的模型
|
|
model.save("/data/output/model_epoch_5")
|