tenorflow

tensorflow笔记3

MNIST数据集共7万张图片，都是28*28像素点的手写数字图片。6万张用于训练，1万张用于测试。
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()     #直接送数据集中读取训练集和测试机
x_train, x_test = x_train / 255.0, x_test / 255.0         #对输入特征进行归一化，使得0-255之间的灰度值变为0-1之间的数值。把输入特征的数值变小更有利于网络的吸收

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),         #输入特征拉直为一维数组，拉直为784=28*28个数值
    tf.keras.layers.Dense(128, activation='relu'),           定义第一层网络有128个神经元
    tf.keras.layers.Dense(10, activation='softmax')        第二层网络有10个神经元
])
##########################################
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()
 ##########################################
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()   #打印出网络结构和参数数统计
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
神经网络八股
################################自制数据集##############################################
原来的时候是mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()     #直接送数据集中读取训练集和测试机现在需要把mnist.load_data()替换掉。首先已经有了训练用的6万张图片和测试用的1万张图片（黑底白字的灰度图），以及他们对应的标签文件。  

import tensorflow as tf
from PIL import Image
import numpy as np
import os
train_path = './mnist_image_label/mnist_train_jpg_60000/'          #训练集图片路径
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'          #训练集标签文件
x_train_savepath = './mnist_image_label/mnist_x_train.npy'          #训练集输入特征存储文件
y_train_savepath = './mnist_image_label/mnist_y_train.npy'         #训练集标签存储文件
 
test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'
 
def generateds(path, txt):                  #（图片路径，标签文件）
    f = open(txt, 'r')  # 以只读形式打开txt文件
    contents = f.readlines()  # 读取文件中所有行
    f.close()  # 关闭txt文件
    x, y_ = [], []  # 建立空列表
    for content in contents:  # 逐行取出
        value = content.split()  # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
        img_path = path + value[0]  # 拼出图片路径和文件名
        img = Image.open(img_path)  # 读入图片
        img = np.array(img.convert('L'))  # 图片变为8位宽灰度值的np.array格式
        img = img / 255.  # 数据归一化 （实现预处理）
        x.append(img)  # 归一化后的数据，贴到列表x
        y_.append(value[1])  # 标签贴到列表y_
        print('loading : ' + content)  # 打印状态提示
 
    x = np.array(x)  # 变为np.array格式
    y_ = np.array(y_)  # 变为np.array格式
    y_ = y_.astype(np.int64)  # 变为64位整型
    return x, y_  # 返回输入特征x，返回标签y_
 
 #判断上述文件是否存在，存在则直接读取，v不存在调用generateds函数制作数据集
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(
        x_test_savepath) and os.path.exists(y_test_savepath):
    print('-------------Load Datasets-----------------')
    x_train_save = np.load(x_train_savepath)
    y_train = np.load(y_train_savepath)
    x_test_save = np.load(x_test_savepath)
    y_test = np.load(y_test_savepath)
    x_train = np.reshape(x_train_save, (len(x_train_save), 28, 28))
    x_test = np.reshape(x_test_save, (len(x_test_save), 28, 28))
else:
    print('-------------Generate Datasets-----------------')
    x_train, y_train = generateds(train_path, train_txt)
    x_test, y_test = generateds(test_path, test_txt)
 
    print('-------------Save Datasets-----------------')
    x_train_save = np.reshape(x_train, (len(x_train), -1))
    x_test_save = np.reshape(x_test, (len(x_test), -1))
    np.save(x_train_savepath, x_train_save)
    np.save(y_train_savepath, y_train)
    np.save(x_test_savepath, x_test_save)
    np.save(y_test_savepath, y_test)
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 
##############################数据增强：#######################################
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)  # 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)
 
image_gen_train = ImageDataGenerator(
    rescale=1. / 1.,  # 如为图像，分母为255时，可归至0～1
    rotation_range=45,  # 随机45度旋转
    width_shift_range=.15,  # 宽度偏移
    height_shift_range=.15,  # 高度偏移
    horizontal_flip=False,  # 水平翻转
    zoom_range=0.5  # 将图像随机缩放阈量50％
)
image_gen_train.fit(x_train) #fit()中需要输入一个4维数据，所以对训练集图片进行reshape，1是灰度值
 
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(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test),
          validation_freq=1)        #flow与fit同步更新
model.summary()
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
import tensorflow as tf
import os
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
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'])
###########################断点续训，存取最优模型######################################

checkpoint_save_path = "./checkpoint/mnist.ckpt"     #定义出存放模型的路径和文件名，生成ckpt文件。由于生成ckpt文件的时候会同步生成索引表
if os.path.exists(checkpoint_save_path + '.index'):        #通过判断是否有了索引表就知道是否保存过模型参数了
    print('-------------load the model-----------------')   #如果有了则可以直接调用
    model.load_weights(checkpoint_save_path)        # model.load_weights（路径文件名）读取模型
#保存模型参数，直接使用tensorflow给出的回调函数
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,       #文件存储路径
                                           save_weights_only=True,        #只保留模型参数
                                              save_best_only=True)       #只保留最优结果
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,callbacks=[cp_callback])        #加入回调选项
model.summary()

##########################参数提取，把参数存入文本#####################################
import numpy as np
np.set_printoptions(threshold=np.inf)      #设置print的打印效果，np.inf表示打印过程中不使用省略号，所有内容都打印。

checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
    print('-------------load the model-----------------')
    model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1, callbacks=[cp_callback])
model.summary()

print(model.trainable_variables)                #model.trainable_variables返回模型中可训练的参数
file = open('./weights.txt', 'w')               #存入文本文件中
for v in model.trainable_variables:          #把所有可训练参数存入文本
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()
#########################结果可视化##################################################
from matplotlib import pyplot as plt
print(model.trainable_variables)
file = open('./weights.txt', 'w')
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()
# 显示训练集和验证集的acc和loss曲线
acc = history.history['sparse_categorical_accuracy']  #提取model.fit函数在训练中保存的训练集准确率
val_acc = history.history['val_sparse_categorical_accuracy']     #测试机准确率
loss = history.history['loss']                              #训练集损失函数数值
val_loss = history.history['val_loss']                            #测试机损失函数数值
 
plt.subplot(1, 2, 1)        #将图象分为1行2列，这个为画出第一列
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')        #画出这2个图象
plt.title('Training and Validation Accuracy')
plt.legend()             #画出图例

plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
####################应用程序，实现给图实物############################################	
from PIL import Image
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt 
model_save_path = './checkpoint/mnist.ckpt'
model = tf.keras.models.Sequential([              #复现了网络
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])
 
model.load_weights(model_save_path)         #加载参数
preNum = int(input("input the number of test pictures:"))   #询问执行多少次图像识别任务
 
for i in range(preNum):
    image_path = input("the path of test picture:")   #读入待识别的图片
    img = Image.open(image_path)
    image = plt.imread(image_path)
    img = img.resize((28, 28), Image.ANTIALIAS)     #输入时任意大小的图片，但是训练的时候时28*28的，转换成标准的图片，同时转换成灰度图。
    img_arr = np.array(img.convert('L'))       
 #应用程序的输入图片时白底黑字，训练要求时黑底白字，因此转换。数据预处理
法一：
    img_arr = 255 - img_arr 
法二：   
#   for i in range(28):      #只有黑色和白色的高对比度图片。这种预处理，在保留图片有用信息的同时，滤去了背景噪声
  #      for j in range(28):                 #遍历输入图片的每一个像素
    #        if img_arr[i][j] < 200:
      #          img_arr[i][j] = 255       #把灰度值小于200的像素点变为255，纯白色
        #    else:
          #      img_arr[i][j] = 0             #其余像素点变为0，纯黑色
 
    img_arr = img_arr / 255.0                  #图片数据归一化
    x_predict = img_arr[tf.newaxis, ...]             #img-arr(28,28)  x-predict(1,28,28)
    result = model.predict(x_predict)
    pred = tf.argmax(result, axis=1)      #输出最大的概率值
    print('\n')
    tf.print(pred)   #返回预测结果
    plt.pause(1)
    plt.close()