APP下载
报价宝  ›  科技  › 

轻松体验TensorFlow 第一个神经网络:基本分类(Part 1)

报价宝 来源:baojiabao.com 发布时间:2019-07-09 22:49:00 11月19日更新
报价宝综合消息轻松体验TensorFlow 第一个神经网络:基本分类(Part 1)

关于 Jupyter Notebook的使用,可以参考如下连结,有详细的步骤和截图:

Jupyter Notebook神器-免费体验来自微软的Azure Notebook

基于Jupyter Notebook 快速体验Python和plot()绘图方法

基于Jupyter Notebook 快速体验matplotlib.pyplot模组中绘图方法

TensorFlow 基本分类(basic classification)演示的完整程式码,可以访问:

https://notebooks.azure.com/rickiechina/projects/pythontutorial/html/Tensorflow-Tutorial.ipynb

1. 检视当前环境是否中TensorFlow 包是否已安装

!pip list | grep tensorflow

上述命令执行时间较长,请耐心等待。

pip list 命令用来检视当前环境下的Python 包,grep 命令用来查询和筛选。中间的竖线表示 pipe(管道),将pip list 命令的输出作为 grep 命令的输入。

pip 前面的感叹号是cell 中执行 Linux 命令的方式,在命令列中执行则不需要加感叹号。

上述命令的输出,表示当前环境已经安装好了 TensorFlow 包。如果没有安装,可以通过如下命令安装:

!pip install tensorflow

安装TensorFlow命令,说明如下:

# Current stable release for CPU-only

pip install tensorflow

# Preview nightly build for CPU-only (unstable)

pip install tf-nightly

# Install TensorFlow 2.0 Alpha

pip install tensorflow==2.0.0-alpha0

本地安装TensorFlow,截图如下。

TensorFlow 安装完成:

2. 汇入需要的Python包

# 汇入TensorFlow和tf.keras

import tensorflow as tf

from tensorflow import keras

# 汇入辅助库

import numpy as np

import matplotlib.pyplot as plt

print(tf.__version__)

输出结果:1.12.2

下面训练了一个神经网络模型,来对服装影象进行分类,例如运动鞋和衬衫。需要使用tf.keras,这是一个用于在TensorFlow 中构建和训练模型的高阶API。

3. 汇入Fashion MNIST资料集

下面使用Fashion MNIST 资料集,其中包含了10个类别中共70,000张灰度影象。影象包含了低分辨率(28 x 28画素)的单个服装物品,图片连结如下所示:

https://github.com/zalandoresearch/fashion-mnist/blob/master/README.zh-CN.md

Fashion-MNIST是一个替代MNIST手写数字集的影象资料集。 它是由Zalando(一家德国的时尚科技公司)旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试资料划分,28x28的灰度图片。可以直接用它来测试你的机器学习和深度学习算法效能,且不需要改动任何的程式码。

MNIST是 Mixed National Institute of Standards and Technology database 的简写。

下面使用60,000张影象来训练网络和10,000张影象来评估网络模型学习影象分类任务的准确程度。

可以直接从TensorFlow 使用Fashion MNIST,只需汇入并载入资料。

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

载入资料集并返回四个NumPy阵列:

train_images和train_labels阵列是训练集—这是模型用来学习的资料。模型通过测试集进行测试, 即test_images与 test_labels两个阵列。影象是28x28 NumPy阵列,画素值介于0到255之间。labels是一个整数阵列,数值介于0到9之间。

下面是影象类别和标签的对应关系:

每个影象都对映到一个标签。由于类别名称不包含在资料集中,因此把他们储存在这里以便在绘制图像时使用:

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

4. 进一步检视和分析资料

以下显示训练集中有60,000个影象,每个影象表示为28 x 28画素:

训练集中有 60000个标签,并且每个标签都是0-9 之间的整数。

测试集和训练集类似,有10000个影象和对应的10000个影象标签。

5. 资料预处理

在训练网络之前必须对资料进行预处理。 如果检查训练集中的第一个影象,将看到画素值落在0到255的范围内:

plt.figure()

plt.imshow(train_images[0])

plt.colorbar()

plt.grid(False)

plt.show()

程式码说明:

plt.figure() 建立一个新的figure。

plt.colorbar() 方法用来显示当前image 的颜色方案。

在传送到神经网络模型之前,我们将这些值缩放到0到1的范围(归一化处理)。为此,我们将画素值值除以255。重要的是,对训练集和测试集要以相同的方式进行预处理:

train_images = train_images / 255.0

test_images = test_images / 255.0

显示训练集中的前25个影象,并在每个影象下方显示类别名。验证资料格式是否正确,我们是否已准备好构建和训练网络。

plt.figure(figsize=(10,10))

for i in range(25):

plt.subplot(5,5,i+1)

plt.xticks([])

plt.yticks([])

plt.grid(False)

plt.imshow(train_images[i], cmap=plt.cm.binary)

plt.xlabel(class_names[train_labels[i]])

plt.show()

程式码说明:

plt.xticks([])和plt.yticks([]) - 以空list 作为xticks() 方法的引数,检视资料集中影象隐藏座标轴。

plt.xlabel() 方法可以在 x 轴的下方显示指定文字。

plt.subplot(5,5,1) 方法 - 表示5行5列共25个位置,最后一个引数1 表示Axes的位置,第一行的位置编号为:1-5,第二行的位置编号为:6-10,依此类推。

上述程式码遍历了25 个位置(for i in range(25)),批量显示多张图。针对每一个位置,设定隐藏x和y轴,不显示闸道器线(grid),在对应的位置显示影象以及类别(label)。

需要注意的地方:Axes 位置的起始值是1,不是常见的0。

对TensorFlow 深度学习有兴趣的同学,可以访问如下连结。

未完待续,欢迎关注,欢迎交流 :)

文章标签: 报价宝 降噪耳机价格 耳机价格 红米手机价格 华为手机价格 小米手机价格 电视机价格 笔记本电脑价格 笔记本价格 汽车价格 数码相机价格 笔记本价格 笔记本电脑价格 电视机价格 耳机价格