|
[1]
‘’’
将训练数据和检测数据加载到内存中(第一次运行需要下载数据，会比较慢):
train_images是用于训练系统的手写数字图片;
train_labels是用于标注图片的信息;
test_images是用于检测系统训练效果的图片；
test_labels是test_images图片对应的数字标签。
‘’’
from tensorflow.keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
print('train_images.shape = ',train_images.shape)
print('tran_labels = ', train_labels)
print('test_images.shape = ', test_images.shape)
print(‘test_labels’, test_labels)
[2]
‘’’
把用于测试的第一张图片打印出来看看
‘’’
digit = test_images[0]
import matplotlib.pyplot as plt
plt.imshow(digit,cmap = plt.cm.binary)
plt.show()
[3]
‘’’
使用tensorflow.Keras搭建一个有效识别图案的神经网络，
1.layers:表示神经网络中的一个数据处理层。(dense:全连接层)
2.models.Sequential():表示把每一个数据处理层串联起来.
3.layers.Dense(…):构造一个数据处理层。
4.input_shape(28*28,):表示当前处理层接收的数据格式必须是长和宽都是28的二维数组，
后面的“,“表示数组里面的每一个元素到底包含多少个数字都没有关系.
‘’’
from tensorflow.keras import models
from tensorflow.keras import layers
networkx = models.Sequential()
networkx.add(layers.Dense(512,activation=“relu”,input_shape=(28*28,)))
networkx.add(layers.Dense(10,activation=“softmax”))
networkx.compile(optimizer=“rmsprop”,loss= “categorical_crossentropy”,metrics=[“accuracy”])
network = models.Sequential()
network.add(layers.Dense(512,activation=‘relu’,input_shape=(28*28,)))
network.add(layers.Dense(10,activation=‘softmax’))
network.compile(optimizer=“rmsprop”,loss=“categorical_crossentropy”,metrics=[“accuracy”])
[4]
‘’’
在把数据输入到网络模型之前，把数据做归一化处理:
1.reshape(60000, 2828）:train_images数组原来含有60000个元素，每个元素是一个28行，28列的二维数组，
现在把每个二维数组转变为一个含有2828个元素的一维数组.
2.由于数字图案是一个灰度图，图片中每个像素点值的大小范围在0到255之间.
3.train_images.astype(“float32”)/255 把每个像素点的值从范围0-255转变为范围在0-1之间的浮点值。
‘’’
#归一化
train_images = train_images.reshape((60000,28*28))
train_images = train_images.astype(“float”)/255
test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype(“float32”)/255
‘’’
把图片对应的标记也做一个更改：
目前所有图片的数字图案对应的是0到9。
例如test_images[0]对应的是数字7的手写图案，那么其对应的标记test_labels[0]的值就是7。
我们需要把数值7变成一个含有10个元素的数组，然后在第8个元素设置为1，其他元素设置为0。
例如test_lables[0] 的值由7转变为数组[0,0,0,0,0,0,0,1,0,0,]
‘’’
from tensorflow.keras.utils import to_categorical
print(“before change:” ,test_labels[0])
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
print(“after change:” ,test_labels[0])
#如果我们指定分类的数目
#oneHotLabel = to_categorical(train_labels,num_classes=10)
[5]
‘’’
把数据输入网络进行训练：
train_images：用于训练的手写数字图片；
train_labels：对应的是图片的标记；
batch_size：每次网络从输入的图片数组中随机选取128个作为一组进行计算。
epochs:每次计算的循环是五次
‘’’
networkx.fit(train_images,train_labels,batch_size=128,epochs=5,verbose=1)
[6]
‘’’
测试数据输入，检验网络学习后的图片识别效果.
识别效果与硬件有关（CPU/GPU）.
‘’’
test_loss,test_acc =networkx.evaluate(test_images,test_labels,verbose=1)
print(test_loss)
print(‘test_acc’, test_acc)
[7]
‘’’
输入一张手写数字图片到网络中，看看它的识别效果
‘’’
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
digit = test_images[1]
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
test_images = test_images.reshape((10000, 28*28))
res = networkx.predict(test_images)
for i in range(res[1].shape[0]):
if (res[1][i] == 1):
print("the number for the picture is : ", i)
break
|