T1打卡——mnist手写数字识别

本文主要是介绍T1打卡——mnist手写数字识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

• 🍨 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 tfgpus=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10layers.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 tfgpus=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")

 

 

这篇关于T1打卡——mnist手写数字识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---