记录|深度学习100例-卷积神经网络(CNN)minist数字分类 | 第1天
2023-09-27 14:26:27 时间
记录|深度学习100例-卷积神经网络(CNN)minist数字分类 | 第2天
1. minist0-9数字分类效果图
数据集如下:
分类及预测图如下:预测标签值和真实标签值如下图所示,成功预测
训练Loss/Accuracy图如下:
源码
# 深度学习100例-卷积神经网络(CNN)实现mnist手写数字识别 | 第1天
# USAGE
# python img_digit1.py
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
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")
# 导入数据
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 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
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)
# 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))
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)
# 可视化
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()
# 构建网络
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()
# 编译模型
"""
设置优化器、损失函数以及metrics
这三者具体介绍可参考:https://blog.csdn.net/qq_38251616/category_10258234.html
"""
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 训练模型
"""
这里设置输入训练数据集(图片及标签)、验证数据集(图片及标签)以及迭代次数epochs
关于model.fit()函数的具体介绍可参考:https://blog.csdn.net/qq_38251616/category_10258234.html
"""
history = model.fit(train_images, train_labels, epochs=8,
validation_data=(test_images, test_labels))
pre = model.predict(test_images)
print('pre: ' + str(np.argmax(pre[2])) + ' real: ' + str(test_labels[2]))
plt.imshow(test_images[2])
plt.xticks([])
plt.yticks([])
plt.xlabel('pre: ' + str(np.argmax(pre[2])) + ' real: ' + str(test_labels[2]))
plt.show()
plt.plot(history.history["loss"], label="train_loss")
plt.plot(history.history["val_loss"], label="val_loss")
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.title("Training Loss and Accuracy (Simple NN)")
plt.xlabel('Epoch')
plt.ylabel('Loss/Accuracy')
# plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(test_acc)
参考
相关文章
- [神经网络与深度学习][计算机视觉]SSD编译时遇到了json_parser_read.hpp:257:264: error: ‘type name’ declared as function ret
- 【神经网络与深度学习】【C/C++】使用blas做矩阵乘法
- 【神经网络与深度学习】【VS开发】【CUDA开发】VS2013 配置CUDNN V4 DEMO
- 【神经网络与深度学习】如何将别人训练好的model用到自己的数据上
- 深度学习/Deep Learning==神经网络/Neural Network:综述
- 深度神经网络中的对抗样本与学习
- 深度学习基础入门篇[七]:常用归一化算法、层次归一化算法、归一化和标准化区别于联系、应用案例场景分析。
- 2023.2.9,周四【图神经网络 学习记录22】动态图算法 之 EvolveGCN:离散型动态GNN网络,将GNN和RNN结合到同一层,结合时间和空间信息进行建模
- 2023.2.8,周三【图神经网络 学习记录21】动态图分类(重点 以离散网络 和 连续型网络为例);DySAT算法:快照,结构Self-Attention构造,时域Self-Attention的计算
- 2023.2.2,周四【图神经网络 学习记录16】异构图Graph Embedding算法——GATNE(异构图多属性 多边 类型算法),不建议普通PC跑...PyCharm可能会崩
- 2023.2.1,周三【图神经网络 学习记录15】异构图Graph Embedding算法——metapath2vec学习+详细Debug调试;附:win11找不到DNS地址,重启也不好使,解决办法
- 2023.1.30,周一【图神经网络 学习记录13】异构图的另一个算法:GTN(Graph Transformer Networks);GTN模型练习——问题记录:16G运行内存,却提示内存不足
- 2023.1.27,周五【图神经网络 学习记录11】DGL练习:节点和边的特征,从外部库创建图,创建异构图 || AI语音:注意看,这个男人叫小帅---微软Azure文本转语音
- 2023.1.19,周四【图神经网络 学习记录5】GraphSAGE模型:采样、聚合函数、GraphSAGE minibatch、GraphSAGE Embedding | GAT模型:多头注意力机制
- 【深度学习】之 卷积神经网络(CNN)概念 简析:名词介绍 || 为何要用卷积? || 卷积 || 激活函数 || 池化层 || 全连接层 || CNN的优点
- 机器学习入门记录2-CNN
- PyQt学习随笔:Model/View中设置视图数据项可编辑的方法
- 【ThinkPHP框架学习 】(2) --- 后台管理系统如何用iframe点击左边右边局部刷新
- Python所有方向的学习路线(2022修正版)
- Neural Networks and Deep Learning(神经网络与深度学习) - 学习笔记
- ajax请求插件vue-resource的学习