全连接神经网络案例——手写数字识别
使⽤⼿写数字的MNIST数据集如上图所示，该数据集包含60,000个⽤于训练的样本和10,000个⽤于测试的样本，图像是固定⼤⼩(28x28像素)，其值为0到255。
整个案例的实现流程是：
- 数据加载
- 数据处理
- 模型构建
- 模型训练
- 模型测试
- 模型保存
1.我们导入需要的工具包
# 1.导入所需的工具包
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
# 构建模型
from tensorflow.keras.models import Sequential
# 相关的网络层
from tensorflow.keras.layers import Dense, Dropout, Activation, BatchNormalization
# 导入辅助工具包
from tensorflow.keras import utils
# 正则化
from tensorflow.keras import regularizers
# 数据集
from tensorflow.keras.datasets import mnist
2.数据加载
首先我们加载手写数字图像
# 2.数据加载
# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(x_train.shape, y_train.shape, x_test.shape, y_test.shape)
数据展示：
3.数据处理
神经⽹络中的每个训练样本是⼀个向量，因此需要对输⼊进⾏重塑，使每个28x28的图像成为⼀个的784维向量。另外，将输⼊数据进⾏归⼀化处理，从0-255调整到0-1。
另外对于⽬标值我们也需要进⾏处理，将其转换为热编码的形式（本）：
# 3.数据处理
# 数据维度的调整
x_train = x_train.reshape(60000, 784)
x_test = x_test(10000, 784)
# 数据类型调整
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
# 归一化
x_train = x_train/255
x_test = x_test/255
# 将目标值转换成热编码的形式
y_train = utils.to_categorical(y_train, 10)
y_test = utils.to_categorical(y_test, 10)
4.模型构建
在这⾥我们构建只有3层全连接的⽹络来进⾏处理：
构建模型如下所示：
# 4.模型构建
# 使用序列模型进行构建
model = Sequential()
# 全连接层，2个隐藏层，一个输出层
# 第一个隐藏层，512个神经元，先BN再激活，随机失活
model.add(Dense(512, input_shape=(784,)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Dropout(0.2))
# 第二个隐藏层，512个神经元，先BN再激活，随机失活
model.add(Dense(512, kernel_regularizer=regularizers.l2(0.01)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Dropout(0.2))
# 输出层
model.add(Dense(10, activation='softmax'))
# 查看模型架构
model.summary()
5.模型编译
设置模型训练使⽤的损失函数交叉熵损失和优化⽅法adam，损失函数⽤来衡量预测值与真实值之间的差异，优化器⽤来使⽤损失函数达到最优：
# 5.模型编译
# 损失函数（交叉熵损失），优化器，评价指标
model.compile(loss=tf.keras.losses.categorical_crossentropy, optimizer=tf.keras.optimizers.Adam(),
metrics=tf.keras.metrics.Accuracy())
6.模型训练
# 6.模型训练
# 使用fit，指定训练集，epochs，batch_size，val，verbose
history = model.fit(x_train, y_train, epochs=4, batch_size=128, validation_data=(x_test, y_test), verbose=1)
我们将损失绘制成曲线：
# 绘制损失函数
plt.figure()
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='val')
plt.legend()
plt.grid()
plt.show()
我们再来绘制一下准确率变化曲线：
# 绘制准确率变化曲线
plt.figure()
plt.plot(history.history['accuracy'], label='train')
plt.plot(history.history['val_accuracy'], label='val')
plt.legend()
plt.grid()
plt.show()
其中，history会保存loss的变化和在compile中指定的评价指标的结果。
7.模型测试
# 7.模型测试
model.evaluate(x_test, y_test, verbose=1)
8.模型保存
# 8.模型保存
model.save("my_model.h5")
之后要是想要想在这个模型时，只需要使用model = tf.keras.models.load_model('my_model.h5')即可。
原文地址：https://blog.csdn.net/qq_59702185/article/details/143595902
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！