Начало работы с Tensoflow с наборами MNIST(1)

TensorFlow

Прежде чем приступить к работе, нам понадобятся инструменты для разработки.В этой статье используется JupyterLab, который можно установить с помощью conda или pip.

// conda 方式
conda install -c conda-forge jupyterlab

// or pip 方式
pip install jupyterlab

Обновление источника conda происходит относительно медленно, поэтому рекомендуется использовать pip.

Давать возможность:

jupyter-lab

Чтобы использовать jupyterlab в различных виртуальных средах conda, вы можете установить плагиныnb_conda_kernels.

conda install -n tf2 nb_conda_kernels

Следующее может запуститьhello world.

Цитировать

import matplotlib.pyplot as plt
from typing import Dict, Text

import numpy as np
import tensorflow as tf

import tensorflow_datasets as tfds
import tensorflow_recommenders as tfrs
import os
import ssl

os.environ['HTTP_PROXY'] = 'http://0.0.0.0:8888'
os.environ['HTTPS_PROXY'] = 'http://0.0.0.0:8888'
ssl._create_default_https_context =  ssl._create_unverified_context

Загрузите набор данных MNIST

# MNIST data.
mnist_train = tfds.load(name="mnist", split="train", data_dir = os.path.join(os.getcwd(), "data"))

Эффект:

<PrefetchDataset shapes: {image: (28, 28, 1), label: ()}, types: {image: tf.uint8, label: tf.int64}>

Формат изображения в основном 28 * 28, мы можем написать и отправить его, чтобы сохранить набор данных в виде изображения, чтобы увидеть эффект изображения.

Преобразовать в изображение

for mnist_example in mnist_train.take(1):  # 只取一个样本
    image, label = mnist_example["image"], mnist_example["label"]
    plt.imshow(image.numpy()[:, :, 0].astype(np.float32), cmap=plt.get_cmap("gray"))
    print("Label: %d" % label.numpy())

Это означает, что у нас есть данные, и с этими данными мы можем начать движение вниз.

Получить тренировочный набор и тестовый набор

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data(
    path = os.path.join(os.getcwd(), "data/mnist.npz")
)

Инициализация и оттенки серого

Единый размер изображения и оттенки серого:

x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
input_shape = (28, 28, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

x_train /= 255
x_test /= 255

print('x_train shape: ', x_train.shape)
print('Number of images in x_train', x_train.shape[0])
print('Number of images in x_test', x_test.shape[0])

Построение моделей естественных сетей

# Importing the required Keras modules containing model and layers
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Dropout, Flatten, MaxPooling2D
# Creating a Sequential Model and adding the layers
model = Sequential()
model.add(Conv2D(28, kernel_size=(3,3), input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten()) # Flattening the 2D arrays for fully connected layers
model.add(Dense(128, activation=tf.nn.relu))
model.add(Dropout(0.2))
model.add(Dense(10,activation=tf.nn.softmax))

Скомпилируйте модель

model.compile(optimizer='adam', 
              loss='sparse_categorical_crossentropy', 
              metrics=['accuracy'])
model.fit(x=x_train,y=y_train, epochs=10)

model.evaluate(x_test, y_test)

контрольная работа

image_index = 5555
plt.imshow(x_test[image_index].reshape(28, 28),cmap='Greys')
pred = model.predict(x_test[image_index].reshape(1, 28, 28, 1))
print(pred.argmax())


image_index = 6666
plt.imshow(x_test[image_index].reshape(28, 28),cmap='Greys')
pred = model.predict(x_test[image_index].reshape(1, 28, 28, 1))
print(pred.argmax())

Суммировать

Предварительное обучение использованию набора данных MNIST для обучения и проверки распознавания рукописных цифр и начало работы с tensorflow.

THE MNIST DATABASE of handwritten digits

Image Classification in 10 Minutes with MNIST Dataset

Категории