MLP手写数字识别(2)-模型构建、训练与识别(tensorflow)

本文主要是介绍MLP手写数字识别(2)-模型构建、训练与识别(tensorflow)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

查看tensorflow版本

import tensorflow as tfprint('Tensorflow Version:{}'.format(tf.__version__))
print(tf.config.list_physical_devices())

在这里插入图片描述

1.MNIST的数据集下载与预处理

import tensorflow as tf
from keras.datasets import mnist
from keras.utils import to_categorical(train_x,train_y),(test_x,test_y) = mnist.load_data()
X_train,X_test = tf.cast(train_x/255.0,tf.float32),tf.cast(test_x/255.0,tf.float32) # 归一化
y_train,y_test = to_categorical(train_y),to_categorical(test_y) # onehot
print(X_train[:5])
print(y_train[:5])

2.搭建MLP模型

from keras import Sequential
from keras.layers import Flatten,Dense
from keras import Inputmodel = Sequential()
model.add(Input(shape=(28,28)))
model.add(Flatten())
model.add(Dense(units=256,kernel_initializer='normal',activation='relu'))
model.add(Dense(units=10,kernel_initializer='normal',activation='softmax'))
model.summary()

在这里插入图片描述

3.模型训练

3.1 调用model.compile()函数对训练模型进行设置

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

loss=‘categorical_crossentropy’: 损失函数设置为交叉熵损失函数，在深度学习中用交叉熵模式训练效果会比较好。
optimizer=‘adam’: 优化器设置为adam, 在深度学习中可以让训练更快收敛，并提高准确率。
metrics=[‘accuracy’]：评估模式设置为准确度评估模式。

loss参数常用的损失函数

binary_crossentropy: 亦称作对数损失，logloss
categorical_crossentropy: 交叉熵损失函数，亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为onehot形式
sparse_categorical_crossentropy:稀疏交叉熵损失函数。
kullback_leibler_divergence: 从预测值概率分布Q到真值概率分布P的信息增益，用以度量两个分布的差异
poisson: 即（pred-target*log(pred)）的均值
cosine_proximity:预测值与真实标签的余弦距离平均值的相反数

优化器

SGD
RMSprop
Adagrad
Adadelta
Adam
Adamax
Nadam
TFOptimizer

评估模式

binary_accuracy: 对二分类问题，计算在所有预测值上的平均正确率
categorical_accuracy: 对多分类问题，计算在所有预测值上的平均正确率
sparse_categorical_accuracy:与categorical_accuracy相同，在对稀疏的目标值预测时有用
top_k_categorical_accuracy: 计算top-k正确率，当预测值的前K个值中存在目标类别即认为预测正确
sparse_top_k_categorical_accuracy: 与top_k_categorical_accuracy作用相同，但适用于稀疏情况

3.2 调用model.fit()配置训练参数，开始训练，并保存训练结果。

H = model.fit(x=X_train,y=y_train,validation_split=0.2,epochs=20,batch_size=128,verbose=1)

在这里插入图片描述

4.显示模型准确率和误差

import matplotlib.pyplot as pltdef show_train(history,train,validation):plt.plot(history.epoch, history.history[train],label=train)plt.plot(history.epoch, history.history[validation],label=validation)plt.title(train)plt.legend()plt.show()show_train(H,'loss','val_loss')
show_train(H,'accuracy','val_accuracy')

在这里插入图片描述

5.使用测试数据进行识别

import numpy as np
import matplotlib.pyplot as pltdef pred_plot_images_lables(images,labels,start_idx,num=5):# 预测res = model.predict(images[start_idx:start_idx+num])res = np.argmax(res,axis=1)# 画图fig = plt.gcf()fig.set_size_inches(12,14)for i in range(num):ax = plt.subplot(1,num,1+i)ax.imshow(images[start_idx+i],cmap='binary')title = 'label=' + str(labels[start_idx+i]) + ', pred=' + str(res[i])ax.set_title(title,fontsize=10)ax.set_xticks([])ax.set_yticks([])plt.show()pred_plot_images_lables(X_test,test_y,0,5)