• DAY1-深度学习100例-卷积神经网络(CNN)实现mnist手写数字识别


    一、前期工作

    1、设置GPU(如果是cpu,可忽略此步)

    import tensorflow as tf
    gpus = tf.config.list_physical_devices("GPU")
    
    if gpus:
        gpu0 = gpus[0] #如果有多个GPU,仅使用第0个GPU
        tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
        tf.config.set_visible_devices([gpu0],"GPU")
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    2、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()
    
    • 1
    • 2
    • 3
    • 4
    • 5

    3、归一化

    数据归一化的作用
    使不同量纲的特征处于同一数值量级,减少方差大的特征的影响,使模型更准确。
    加快学习算法的收敛速度。

    # 将像素的值标准化至0到1的区间内。
    train_images, test_images = train_images / 255.0, test_images / 255.0
    
    train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
    """
    输出:((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
    """
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    4、可视化图片

    plt.figure(figsize=(20,10))
    for i in range(20):
        plt.subplot(5,10,i+1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(train_images[i], cmap=plt.cm.binary)
        plt.xlabel(train_labels[i])
    plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    在这里插入图片描述

    5、调整图片格式

    #调整数据到我们需要的格式
    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
    """
    输出:((60000, 28, 28, 1), (10000, 28, 28, 1), (60000,), (10000,))
    """
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    二、构建CNN网络模型

    model = models.Sequential([
        layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),#卷积层1,卷积核3*3
        layers.MaxPooling2D((2, 2)),                   #池化层1,2*2采样
        layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2,卷积核3*3
        layers.MaxPooling2D((2, 2)),                   #池化层2,2*2采样
        
        layers.Flatten(),                              #Flatten层,连接卷积层与全连接层
        layers.Dense(64, activation='relu'),		   #全连接层,特征进一步提取
        layers.Dense(10)                               #输出层,输出预期结果
    ])
    # 打印网络结构
    model.summary()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    在这里插入图片描述

    三、编译模型

    model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])
    
    • 1
    • 2
    • 3

    四、训练模型

    history = model.fit(train_images, train_labels, epochs=10, 
                        validation_data=(test_images, test_labels))
    
    
    • 1
    • 2
    • 3

    在这里插入图片描述

    五、预测

    通过下面的网络结构,我们可以理解为输入一张图片,将会得到一组数,这组数代表了这张图片为数字0-9中每个数字的概率,out数字越大可能性越大。
    在这里插入图片描述

    plt.imshow(test_images[1].reshape(28,28))
    
    • 1

    在这里插入图片描述
    输出测试集中第一张图片的预测结果:

    pre = model.predict(test_images) # 对所有测试图片进行预测
    pre[1] # 输出第一张图片的预测结果
    
    • 1
    • 2

    在这里插入图片描述

    六、知识点详解

    本文使用的是最简单的CNN模型-LeNet-5。

    1、MNIST手写数字数据集介绍

    Mnist数据集分为两部分,分别含有60000张训练图片和10000张测试图片。

    每一张图片包含28*28个像素。Mnist数据集把代表一张图片的二维数据转换成一个向量,长度为28 * 28=784。因此在Mnist的训练数据集中mnist.train.images是一个形状为[60000, 784]的张量,第一个维度数字用来索引图片,第二个维度数字用来索引每张图片中的像素点,图片里的某个像素的强度值介于0-1之间。
    在这里插入图片描述
    数据集下载地址:http://yann.lecun.com/exdb/mnist/

    2、神经网络程序说明

    在这里插入图片描述

    3、网络结构说明

    模型结构:
    在这里插入图片描述
    各层的作用:

    输入层:将数据输入到训练网络中;
    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,常用在卷积层过渡到全连接层;
    全连接层:起到“特征提取器”的作用;
    输出层:输出结果。

    参考资料

    https://blog.csdn.net/llfjcmx/article/details/102841738

    活动地址:CSDN21天学习挑战赛

  • 相关阅读:
    Testng+ExtentReports测试报告
    云原生与低代码:重塑软件开发新生态
    人工智能在生物学和神经科学中的应用
    android 指针动画转动
    H5逆向之远程RPC
    Java集合
    电脑硬件——主板
    微信小程序——video视频全屏展示
    高压漏电继电器BLD-20
    研发管理的挑战
  • 原文地址:https://blog.csdn.net/weixin_44336912/article/details/126197107