第三章:人工智能深度学习教程-基础神经网络(第三节-Tensorflow 中的多层感知器学习)

在本文中，我们将了解多层感知器的概念及其使用 TensorFlow 库在 Python 中的实现。

多层感知器 

多层感知也称为MLP。它是完全连接的密集层，可将任何输入维度转换为所需的维度。多层感知是具有多个层的神经网络。为了创建神经网络，我们将神经元组合在一起，以便某些神经元的输出是其他神经元的输入。

神经网络和 TensorFlow的简单介绍可以在这里找到：

• 神经网络
• TensorFlow 简介

多层感知器有一个输入层，对于每个输入，有一个神经元（或节点），它有一个输出层，每个输出有一个节点，它可以有任意数量的隐藏层，每个隐藏层可以有任意数量的节点。多层感知器 (MLP) 的示意图如下所示。

在上面的多层感知器图中，我们可以看到有三个输入，因此有三个输入节点，隐藏层有三个节点。输出层有两个输出，因此有两个输出节点。输入层中的节点接受输入并将其转发以进行进一步处理，在上图中，输入层中的节点将其输出转发到隐藏层中的三个节点中的每一个，并且以同样的方式，隐藏层处理信息并将其传递到输出层。 

多层感知中的每个节点都使用 sigmoid 激活函数。sigmoid 激活函数将实数值作为输入，并使用 sigmoid 公式将其转换为 0 到 1 之间的数字。

现在我们已经完成了多层感知的理论部分，让我们继续使用TensorFlow库在python中实现一些代码。

逐步实施

第1步：导入必要的库。 

# 导入模块
import tensorflow as tf
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt

步骤 2：下载数据集。

TensorFlow 允许我们读取 MNIST 数据集，我们可以将其直接加载到程序中作为训练和测试数据集。

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

输出：

从 https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 下载数据

11493376/11490434 [================================] – 2s 0us/步

第三步：现在我们将像素转换为浮点值。

# 将数据转换为浮点数
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
 
# 归一化图像像素值，将像素值除以 255
灰度范围 = 255
x_train /= 灰度范围
x_test /= 灰度范围

我们将像素值转换为浮点值以进行预测。将数字更改为灰度值将是有益的，因为值会变小并且计算会变得更容易和更快。由于像素值的范围是从 0 到 256，除了 0 之外，范围是 255。因此，将所有值除以 255 会将其转换为从 0 到 1 的范围

第 4 步：了解数据集的结构

# 输出特征矩阵的形状
print("特征矩阵:", x_train.shape)
 
# 输出目标矩阵的形状
print("目标矩阵:", x_test.shape)
 
# 输出特征矩阵的形状
print("特征矩阵:", y_train.shape)
 
# 输出目标矩阵的形状
print("目标矩阵:", y_test.shape)

输出：

特征矩阵: (60000, 28, 28)
目标矩阵: (10000, 28, 28)
特征矩阵: (60000,)
目标矩阵: (10000,)

因此，我们得到训练数据集中有 60,000 条记录，测试数据集中有 10,000 条记录，并且数据集中的每个图像的大小为 28×28。

第 5 步：可视化数据。

fig, ax = plt.subplots(10, 10)
 
k = 0
for i in range(10):
    for j in range(10):
        ax[i][j].imshow(x_train[k].reshape(28, 28), aspect='auto')
        k += 1
 
plt.show()

输出

第 6 步：形成输入层、隐藏层和输出层。

model = Sequential([
    # 将28行 * 28列的数据重新整形为28*28行
    Flatten(input_shape=(28, 28)),
    
    # 密集层1
    Dense(256, activation='sigmoid'),
    
    # 密集层2
    Dense(128, activation='sigmoid'),
    
    # 输出层
    Dense(10, activation='sigmoid'),
])

需要注意的一些要点：

• 顺序模型允许我们根据多层感知器的需要逐层创建模型，并且仅限于单输入、单输出的层堆栈。
• Flatten压平提供的输入而不影响批量大小。例如，如果输入的形状为 (batch_size,)，但没有特征轴，则展平会添加额外的通道维度，并且输出形状为 (batch_size, 1)。
• 激活用于使用 sigmoid 激活函数。
• 前两个Dense层用于制作全连接模型，并且是隐藏层。
• 最后一个Dense 层是输出层，包含 10 个神经元，决定图像属于哪个类别。

第7步：编译模型。

model.compile(optimizer='adam', 
			loss='sparse_categorical_crossentropy', 
			metrics=['accuracy'])

这里使用的编译函数涉及到损失、优化器和指标的使用。这里使用的损失函数是sparse_categorical_crossentropy，使用的优化器是adam。

第8步：拟合模型。

model.fit(x_train, y_train, epochs=10, 
		batch_size=2000, 
		validation_split=0.2)

输出：

Epoch 1/10
48/48 [==============================] - 1s 12ms/step - loss: 1.2345 - accuracy: 0.5678 - val_loss: 0.9876 - val_accuracy: 0.6543
...
Epoch 10/10
48/48 [==============================] - 1s 12ms/step - loss: 0.3456 - accuracy: 0.8901 - val_loss: 0.4321 - val_accuracy: 0.8765

在这个示例中，模型经过10个训练周期，每个周期的损失值（loss）和准确度（accuracy）都有所改变。val_loss 和 val_accuracy 是验证集上的损失和准确度，用于监控模型的泛化性能。

请注意，实际的输出结果可能会因训练进程和随机性而异。您可以在训练时查看这些输出以了解模型的性能和训练进度。

第 9 步：查找模型的准确性。

results = model.evaluate(x_test, y_test, verbose=0)
print('测试损失和准确度:', results)

这段代码执行以下操作：

• results = model.evaluate(x_test, y_test, verbose=0)：使用测试数据 x_test 和相应的测试标签 y_test 来评估模型的性能。verbose=0 表示在评估过程中不输出详细信息。

• print('测试损失和准确度:', results)：输出模型在测试数据上的损失值和准确度。results 包含了这些性能指标的值。

这些输出用于了解模型在测试数据上的性能，包括损失值和准确度等。

 输出：

测试损失和准确度: [0.1234, 0.9876]

在这个示例中，模型在测试数据上的损失值是0.1234，测试准确度是0.9876。这些值表示模型在测试数据上的性能，其中较低的损失值和较高的准确度通常表示更好的性能。实际的数值将根据模型和测试数据而有所不同。 

通过在测试样本上使用model.evaluate()，我们的模型准确率达到了 92% 。