人工智能实践Tensorflow2.0 第三章--2.用八股的方式写mnist数据集手写数字识别--北京大学慕课

第三章–八股搭建神经网络
本讲目标：
  用八股的方式写mnist数据集手写数字识别。参考视频。

1.数据集导入

提供6万张 28*28 像素点的0~9手写数字图片和标签，用于训练。

提供1 万张 28*28 像素点的0~9手写数字图片和标签，用于测试。

mnist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data()
print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)

输出结果如下

(60000, 28, 28)
(60000,)
(10000, 28, 28)
(10000,)

  如果这里下载数据集失败，可以点击这个链接下载，将下载好的文件放在C:\Users\[UserName]\.keras\datasets文件夹下即可。

2.查看数据集

plt.imshow(x_train[0],cmap='gray')
print("x_train[0]:\n",x_train[0])
print("y_train[0]:\n",y_train[0])

可以得到如下输出，分别是图片5，图片的像素，以及图片的标签。

y_train[0]:
 5

3.函数式API搭建神经网络

3.1 八股第一步->import导入库文件

import tensorflow as tf
from tensorflow.keras.layers import Dense,Flatten
from tensorflow.keras import Model
from tensorflow.keras.datasets import  mnist
import  matplotlib.pyplot as plt

3.2 八股第二步->读入train和test数据集

(x_train,y_train),(x_test,y_test)=mnist.load_data()
print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)
x_train,x_test=x_train/255.0,x_test/255.0

3.3 八股第三步->用函数式API搭建神经网络Model

  下面使用函数Sequential搭建的一层神经网络，首先用Flatten函数将图像展开成一维，再添加一个中间128个结点的中间层，最后输出层是10个结点对应数字0-9。

model=tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(10,activation='softmax')
])

3.4 八股第四步->compile配置神经网络

设置优化器为adam；
设置损失为交叉熵损失，其参数from_logits的方式要参考上一步的输出，上一步的输出是softmax概率分布式的，并不是原始数据，所以这里的from_logits设置为False;
设置输出方式metrics为sparse_categorical_accuracy，即输出值和预测值都是独热编码形式的。

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy']
              )

3.5 八股第五步->fit训练网络

设置输入训练数据集为x_train,y_trian，测试数据集为x_test,y_test；
设置最小批次数据量batch_size为32；
设置迭代轮数epochs为5；
设置测试频率为一个epochs一次，即validation_freq=1；

model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)

3.6 八股第六步->summary查看网络模型

model.summary()

输出结果如下：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten (Flatten)            (None, 784)               0         
_________________________________________________________________
dense (Dense)                (None, 128)               100480    
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
=================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
_________________________________________________________________

第一个Dense层的参数量为100480=（28x28)x128+128
第二个Dense层的参数量为1290=128x10+10

3.7 完整代码及输出结果

import tensorflow as tf
from tensorflow.keras.layers import Dense,Flatten
from tensorflow.keras import Model
from tensorflow.keras.datasets import  mnist
import  matplotlib.pyplot as plt


(x_train,y_train),(x_test,y_test)=mnist.load_data()
print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)
x_train,x_test=x_train/255.0,x_test/255.0

model=tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(10,activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy']
              )

model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)
model.summary()

输出结果如下：

Epoch 1/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2544 - sparse_categorical_accuracy: 0.9276 - val_loss: 0.1281 - val_sparse_categorical_accuracy: 0.9626
Epoch 2/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.1122 - sparse_categorical_accuracy: 0.9664 - val_loss: 0.0991 - val_sparse_categorical_accuracy: 0.9709
Epoch 3/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0786 - sparse_categorical_accuracy: 0.9753 - val_loss: 0.0882 - val_sparse_categorical_accuracy: 0.9743
Epoch 4/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0583 - sparse_categorical_accuracy: 0.9822 - val_loss: 0.0738 - val_sparse_categorical_accuracy: 0.9763
Epoch 5/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0464 - sparse_categorical_accuracy: 0.9858 - val_loss: 0.0788 - val_sparse_categorical_accuracy: 0.9756

4. 功能式API搭建网络Model（用class来写）

功能式API用class搭建神经网络，可以更加灵活的搭建非线性网络，其处理流程仅在第三步有所不同，将上述第三步改为如下：

class MnistModel(Model):
    def __init__(self):
        super(MnistModel,self).__init__()
        self.flatten=Flatten()
        self.d1=Dense(128,activation='relu')
        self.d2=Dense(10,activation='softmax')

    def call(self,x):
        x=self.flatten(x)
        x=self.d1(x)
        y=self.d2(x)
        return  y

model=MnistModel()

运行程序，可以得到相同的输出结果和识别准确率。