100天搞定機器學習|day39 Tensorflow Keras手寫數字識別

提示：建議先看day36-38的內容

TensorFlow™ 是一個採用數據流圖（data flow graphs），用於數值計算的開源軟件庫。節點（Nodes）在圖中表示數學操做，圖中的線（edges）則表示在節點間相互聯繫的多維數據數組，即張量（tensor）。它靈活的架構讓你能夠在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU），服務器，移動設備等等。

TensorFlow 最初由Google大腦小組（隸屬於Google機器智能研究機構）的研究員和工程師們開發出來，用於機器學習和深度神經網絡方面的研究，但這個系統的通用性使其也可普遍用於其餘計算領域。

一、安裝庫tensorflow

有些教程會推薦安裝nightly，它適用於在一個全新的環境下進行TensorFlow的安裝，默認會把須要依賴的庫也一塊兒裝上。我使用的是anaconda，本文咱們安裝的是純淨版的tensorflow，很是簡單，只需打開Prompt：

pip install tensorflow複製代碼

安裝成功

導入成功

#導入keras
from tensorflow import keras
#導入tensorflow
import tensorflow as tf複製代碼

注：有些教程中導入Keras用的是import tensorflow.keras as keras會提示No module named 'tensorflow.keras'

二、導入mnist數據

在上篇文章中咱們已經提到過 MNIST 了，用有趣的方式解釋梯度降低算法它是一個收錄了許多 28 x 28 像素手寫數字圖片（以灰度值矩陣存儲）及其對應的數字的數據集,能夠把它理解成下圖這個樣子：

因爲衆所周知的緣由，Keras自帶minist數據集下載會報錯，沒法下載。博客園崔小秋同窗給出了很好的解決方法：

一、找到本地keras目錄下的mnist.py文件，一般在這個目錄下。

二、下載mnist.npz文件到本地，下載連接以下。https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q三、修改mnist.py文件爲如下內容，並保存

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from ..utils.data_utils import get_file
import numpy as np

def load_data(path='mnist.npz'):
    """Loads the MNIST dataset. # Arguments
        path: path where to cache the dataset locally
            (relative to ~/.keras/datasets).

    # Returns
        Tuple of Numpy arrays: `(x_train, y_train), (x_test, y_test)`.
    """
    path = 'E:/Data/Mnist/mnist.npz' #此處的path爲你剛剛存放mnist.py的目錄。注意斜槓
    f = np.load(path)
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']
    f.close()
    return (x_train, y_train), (x_test, y_test)複製代碼

看一下數據

mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
print(x_train[0].shape)複製代碼

(28, 28)

import matplotlib.pyplot as plt
plt.imshow(x_train[0],cmap=plt.cm.binary)
plt.show()複製代碼

print(y_train[0])複製代碼

5對數據進行歸一化處理

x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)複製代碼

再看一下，圖像的像素值被限定在了 [0,1]

plt.imshow(x_train[0],cmap=plt.cm.binary)
plt.show()複製代碼

3 構建與訓練模型咱們使用 Keras 的 Sequential 模型（順序模型），順序模型是多個網絡層的線性堆疊。本文旨在介紹TensorFlow 及Keras用法，再也不展開，有興趣的同窗們學習其具體用法，能夠參考Keras文檔：https://keras.io/zh/getting-started/sequential-model-guide/

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)複製代碼

咱們構建出的模型大概是這個樣子的，區別是咱們的隱藏層有128個單元

在訓練的過程當中，咱們會發現損失值（loss）在下降，而準確度（accuracy）在提升，最後達到了一個使人滿意的程度。Epoch 1/360000/60000  - 8s 127us/step - loss: 0.2677 - acc: 0.9211Epoch 2/360000/60000  - 8s 130us/step - loss: 0.1106 - acc: 0.9655Epoch 3/360000/60000  - 8s 136us/step - loss: 0.0751 - acc: 0.9764

4 測試模型

val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)複製代碼

10000/10000  - 0s 45us/step0.09161210339092650.9713損失和準確度看起來還湊合，嘗試識別訓練集

predictions = model.predict(x_test)
print(predictions)複製代碼

用 argmax 解析一下（就是找出最大數對應的索引，即爲識別出的數字）

import numpy as np
print(np.argmax(predictions[0]))複製代碼

7

plt.imshow(x_test[0],cmap=plt.cm.binary)
plt.show()複製代碼

OK，模型能夠識別數字了。五、保存模型主要用於模型的存儲和恢復。

model.save('epic_num_reader.model')
# 加載保存的模型
new_model = tf.keras.models.load_model('epic_num_reader.model')
# 測試保存的模型
predictions = new_model.predict(x_test)print(np.argmax(predictions[0]))複製代碼

看到這裏的都是真愛，另推薦一個Keras教程

Colab超火的Keras/TPU深度學習免費實戰，有點Python基礎就能看懂的快速課程

參考：

https://www.cnblogs.com/shinny/p/9283372.html

https://www.cnblogs.com/wj-1314/p/9579490.html

https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day%2039.ipynb