深さ学習tenssorflow基礎mnist

ソフトウェアアーキテクチャ
mnistデータセットの識別は、非常に小さいネットワークを2つ使用して実現されています。最初は最も簡単な全接続ネットワーク、2番目は畳み込みネットワーク、mnistデータセットは入門データセットですので、画像増強は不要です。またはジェネレータでメモリを読み込むことで、簡単なfit（）コマンドを直接使用すれば、1回限りのトレーニングが可能です。
チュートリアルをインストール

で使用された主なサードパーティライブラリは、tensorFlow 1.x、TensorFlowベースのKerasがあり、ベースのライブラリはnumpy、matplotlib

が含まれています。

インストールも簡単です。例えば、pip install numpy-ihttps://pypi.tuna.tsinghua.edu.cn/simple

注意テナントflowバージョンは2.x

ではありません。
使用説明

まず、データセットをプレビューして、mnistplt.pyを実行して、4つのトレーニング用の画像を描きました。

全接続ネットワークを訓練するとDensemist.pyが実行され、重みDense.h 5が得られ、モデルをロードし、Denseload.py

が実行されると予測される。

トレーニング畳み込みネットワークはCNNmnist.pyを実行し、重みCNN.h 5を得てモデルをロードし、CNNload.py

を実行すると予測される。
結果図


トレーニングプロセスのコメント
全接続ネットワークトレーニング：

"""       """
from tensorflow.examples.tutorials.mnist import input_data
from keras.models import  Sequential
from keras.layers import Dense
#          
img_size=28
num=10
mnist=input_data.read_data_sets("./data",one_hot=True)
X_train,y_train,X_test,y_test=mnist.train.images,mnist.train.labels,mnist.test.images,mnist.test.labels
X_train=X_train.reshape(-1,img_size,img_size)
X_test=X_test.reshape(-1,img_size,img_size)
X_train=X_train*255
X_test=X_test*255
y_train=y_train.reshape(-1,num)
y_test=y_test.reshape(-1,num)
print(X_train.shape)
print(y_train.shape)
#          
num_pixels = X_train.shape[1] * X_train.shape[2]
X_train = X_train.reshape(X_train.shape[0],num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0],num_pixels).astype('float32')
#   
X_train=X_train/255
X_test=X_test/255
# one hot  ,     ，  
#y_train = np_utils.to_categorical(y_train)
#y_test = np_utils.to_categorical(y_test)
#    
def baseline():
    """
    optimizer：   ， Adam
    loss：    ，   categorical_crossentropy     ，        ，      10   ，
                 10    ，              1   0
    metrics:   ，                   
    """
    model=Sequential()
    #            ：       input_dim    ,  ， 784      ，   num_pixels。
    #     Dense   ：             ，             ,      0 0.05        （uniform
    #Keras         ，             normal，                     
    model.add(Dense(num_pixels,input_dim=num_pixels,kernel_initializer='normal',activation='relu'))
    #softmax                 
    model.add(Dense(num,kernel_initializer='normal',activation='softmax'))
    #categorical_crossentropy        ，   softmax             
    model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
    return model
#    
model = baseline()
"""
batch_size
  
          。
   ，   32
epochs
  
        
verbose
    ，  
0:              
1:     
2:  epoch      
      2000          ,  2000          500   batch，       epoch    4   iteration
"""
model.fit(X_train,y_train,validation_data=(X_test,y_test),epochs=10,batch_size=200,verbose=2)
#      
model.summary()
#model.evaluate（）                （  ，  accuracy）
"""
verbose：         
verbose = 0               
verbose = 1         
"""
scores = model.evaluate(X_test,y_test,verbose=0)
print(scores)
#    
model_dir="./Dense.h5"
model.save(model_dir)

CNNトレーニング：

"""
       
Sequential     ：  （layers）     ，           ，      ，         
               ，    (   )   
3  RGB  ，      3        ，     1    
"""
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
#Flatten      “  ”，          ，
#               
from keras.layers import Flatten
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
#          
img_size=28
num=10
mnist=input_data.read_data_sets("./data",one_hot=True)
X_train,y_train,X_test,y_test=mnist.train.images,mnist.train.labels,mnist.test.images,mnist.test.labels
X_train=X_train.reshape(-1,img_size,img_size)
X_test=X_test.reshape(-1,img_size,img_size)
X_train=X_train*255
X_test=X_test*255
y_train=y_train.reshape(-1,num)
y_test=y_test.reshape(-1,num)
print(X_train.shape) #(55000, 28, 28)
print(y_train.shape) #(55000, 10)
#               input_shape  
X_train = X_train.reshape(X_train.shape[0],28,28,1).astype('float32')
X_test = X_test.reshape(X_test.shape[0],28,28,1).astype('float32')
print(X_train.shape)#(55000,28,28,1)
#   
X_train=X_train/255
X_test=X_test/255
# one hot  ,     ，  
#y_train = np_utils.to_categorical(y_train)
#y_test = np_utils.to_categorical(y_test)
#  CNN  
def CNN():
    """
           。   32 feature map，        ，  [pixels][width][height]       。feature map    1*5*5，      ‘relu'    
        pooling ，   MaxPooling，   2*2
    Flatten               
            ， 128    ，      ‘relu'
            ， 10    ，           ，                 
    """
    model = Sequential()
    model.add(Conv2D(32, (5, 5), input_shape=(img_size,img_size,1), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(num, activation='softmax'))
    #  
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model
#    
model=CNN()
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=5, batch_size=200, verbose=1)
model.summary()
scores = model.evaluate(X_test,y_test,verbose=1)
print(scores)
#    
model_dir="./CNN.h5"
model.save(model_dir)

ここでmnistに関する記事を紹介します。これからもよろしくお願いします。もっと深い学習内容について、私達の以前の文章を検索してください。または次の関連記事を引き続き閲覧してください。これからもよろしくお願いします。