人工智能AI培訓_Tensorflow 2.0實現手寫數字實驗

發布時間： 2019-07-18 17:49:14

　　人工智能AI培訓_Tensorflow 2.0實現手寫數字實驗

　　1.實驗介紹
　　1.1.關于本實驗
　　本實驗主要內容是進行手寫字體圖像的識別，用到的框架主要包括：TensorFlow2.0，主要用于深度學習算法的構建，本實驗以開源的手寫字體數據集為基礎，基于Keras深度學習庫對手寫字體進行識別。
　　1.2.實驗目的
　　理解圖像識別的原理。
　　掌握利用TensorFlow2.0構建圖像識別模型。
　　2.實驗步驟
　　2.1.導入實驗環境
　　步驟 1導入相應的模塊
　　Keras是一個高層神經網絡API，Keras由純Python編寫而成并基于Tensorflow、Theano以及CNTK后端。Keras 支持快速實驗。
　　#導入相關依賴包
　　import os
　　import tensorflow as tf
　　from tensorflow import keras
　　from tensorflow.keras import layers, optimizers, datasets
　　from matplotlib import pyplot as plt
　　import numpy as np
　　os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
　　2.2.導入實驗數據集
　　步驟 2下載數據集
　　TensorFlow2.0 的datasets中為我們提供了很多開源的數據集，可以直接執行命令下載。
　　#下載后，我們會得到含有60k的訓練集xs,和10k的測試集ys，
　　(x, y), (x_val, y_val) = datasets.mnist.load_data()
　　步驟 3數據集格式轉換
　　我們下載得到的數據集是numpy的格式，需要轉換成tensor。
　　#將圖像轉化為tensor
　　x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
　　y = tf.convert_to_tensor(y, dtype=tf.int32)
　　print(x.shape, y.shape)
　　輸出結果：
　　(60000, 28, 28) (60000,)
　　步驟 4切分訓練集與測試集
　　train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
　　train_dataset = train_dataset.batch(200)
　　步驟 5查看數據集信息
　　本實驗是文字識別，我們可以先打印查看前9張圖片，檢查圖片是否是正確的數據集。
　　plt.figure()
　　for i in range(9):
　　plt.subplot(3,3,i+1)
　　plt.imshow(x[i])
　　plt.ylabel(y[i].numpy())
　　plt.show()

　　輸出結果：

　　2.3.手寫字體圖像識別建模
　　步驟 6初始化神經網絡
　　數據集準備完成，接下來我們就需要構建訓練模型，我們首先需要建立初始化的神經網絡。
　　#調用全連接784->512->256->10, 激活函數選擇Relu進行映射
　　model=keras.Sequential([
　　layers.Dense(512, activation='relu'),
　　layers.Dense(256, activation='relu'),
　　layers.Dense(10)
　　])
　　步驟 7定義學習率更新規則
　　設置模型的學習率參數。
　　#給出學習率（步長）進行更新
　　optimizer=optimizers.SGD(learning_rate=0.001)
　　步驟 8構建模型訓練函數
　　神經網絡的模型參數更新是一個迭代的過程，所以我們可以將模型訓練的過程定義成一個函數，從而進行模型的訓練。
　　def train_epoch(epoch):
　　# Step4.loop
　　for step, (x, y) in enumerate(train_dataset):
　　with tf.GradientTape() as tape:
　　# 將圖像由二維矩陣轉化為向量；[b, 28, 28] => [b, 784]
　　x = tf.reshape(x, (-1, 28*28))
　　#將label用獨熱碼表示，例5：[0,0,0,0,0,1,0,0,0,0]
　　y = tf.one_hot(y, depth=10)
　　# 將圖像導入模型開始預測
　　# [b, 784] => [b, 10]
　　out = model(x)
　　# 計算 loss
　　print(np.size(x))
　　loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
　　# 更新。optimize and update w1, w2, w3, b1, b2, b3
　　grads = tape.gradient(loss, model.trainable_variables)
　　# w' = w - lr * grad
　　optimizer.apply_gradients(zip(grads, model.trainable_variables))
　　if step % 100 == 0:
　　print(epoch, step, 'loss:', loss.numpy())
　　return loss
　　步驟 9構建繪圖函數
　　繪制train loss與epoch的關系圖，這樣我們就可以查看模型訓練的每一步損失值。
　　def plot_figure(y):
　　#作出train loss與epoch的關系圖
　　x = range(0, np.size(y))
　　plt.figure(1)
　　plt.plot(x, y, 'o-')
　　plt.title('epoches')
　　plt.ylabel('Train loss')
　　plt.show()
　　步驟 10構建模型訓練函數
　　定義模型訓練函數用于進行模型訓練：
　　def train():
　　#創建list用于保存loss值
　　loss_list = []
　　for epoch in range(30):
　　loss= train_epoch(epoch)
　　loss_list.append(loss)
　　plot_figure(loss_list)
　　步驟 11執行模型訓練
　　執行定義好的模型訓練函數進行模型訓練：
　　if __name__ == '__main__':
　　train()
　　輸出結果：
　　展示最后10次的模型訓練損失值：
　　20 0 loss: 1.1279364
　　156800
　　21 0 loss: 1.1141373
　　156800
　　22 0 loss: 1.1015469
　　156800
　　23 0 loss: 1.0899687
　　156800
　　24 0 loss: 1.0792384
　　156800
　　25 0 loss: 1.0692606
　　156800
　　26 0 loss: 1.0599515
　　156800
　　27 0 loss: 1.0512612
　　156800
　　28 0 loss: 1.0431163
　　156800
　　29 0 loss: 1.0354265

　　train loss與epoch的關系圖：