TensorFlow深度学习2--手写数学图片识别初体验

1、 手写数字图片数据集

手写数字图片数据集，它包含了0~9共10种数字的手写图片，采集自不同书写风格的真实手写图片，一共70000张图片。其中60000张图片作为训练集，用来训练模型，剩下10000张图片作为测试集，用来预测或者测试，训练集和测试集共同组成了整个MNIST数据集。
2、 模型搭建

(x, y), (x_val, y_val) = datasets.mnist.load_data()  #加载MNIST数据集
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.    #转换为浮点数
y = tf.convert_to_tensor(y, dtype=tf.int32)            #转换为整形张量
y = tf.one_hot(y, depth=10)                  #one-hot 编码
print(x.shape, y.shape)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))     #构建数据集
train_dataset = train_dataset.batch(200)                       #批量训练
#利用Sequential容器封装3个网络层，前网络层的输出默认作为下一层的输入
model = keras.Sequential([ 
    layers.Dense(512, activation='relu'),
    layers.Dense(256, activation='relu'),
    layers.Dense(10)])
optimizer = optimizers.SGD(learning_rate=0.001)

3、 模型训练

def train_epoch(epoch):
    losses=[]
    # Step4.loop
    for step, (x, y) in enumerate(train_dataset):
        with tf.GradientTape() as tape:    #构建梯度记录环境
            # 打平操作：[b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28*28))
            # Step1. compute output
            # [b, 784] => [b, 10]
            out = model(x)
            # Step2. compute loss
            loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
        # Step3. 自动计算参数的梯度  w1, w2, w3, b1, b2, b3
        grads = tape.gradient(loss, model.trainable_variables)
        # w' = w - lr * grad  更新网络参数
        optimizer.apply_gradients(zip(grads, model.trainable_variables))
        if step % 100 == 0:
            print(epoch, step, 'loss:', loss.numpy())
    return loss

4、 模型运行

def train():
    losses = []
    for epoch in range(50):
        loss=train_epoch(epoch)
        losses.append(float(loss))
    return  losses
if __name__ == '__main__':
    losses =train()
    plt.figure()
    x = [i  for i in range(len(losses))]
    plt.plot(x, losses, color='C0', marker='s', label='训练')
    plt.ylabel('MSE')
    plt.xlabel('Epoch')
    plt.legend()
    plt.savefig('train.png')
    plt.show()

5、 MNIST数据集的训练误差曲线