手写数字识别——利用keras高层API快速搭建并优化网络模型
2021-01-16 00:16
标签：ESS shuffle 程序 sse 工具 指定 输出 打印 还需 在《手写数字识别——手动搭建全连接层》一文中，我们通过机器学习的基本公式构建出了一个网络模型，其实现过程毫无疑问是过于复杂了——不得不考虑诸如数据类型匹配、梯度计算、准确度的统计等问题，但是这样的实践对机器学习的理解是大有裨益的。在大多数情况下，我们还是希望能多简单就多简单地去搭建网络模型，这同时也算对得起TensorFlow这个强大的工具了。本节，还是以手写数据集MNIST为例，利用TensorFlow2.0的keras高层API重现之前的网络。 关于这个过程，与上节讲过的类似，就不再赘述了。需要提一点的就是，为了程序的整洁，将数据类型的转换过程单独写成一个预处理函数preprocess，通过Dataset对象的map方法应用该预处理函数。整个数据导入与预处理代码如下： 对于全连接层，keras提供了layers.Dense(units,activation)接口，利用它可以建立一层layer，多层堆叠放入keras提供的Sequential容器中，就形成了一个网络模型。在Dense的参数中，units决定了这层layer含有的神经元数量，activation是激活函数的选择。同之前的网络一样，我们的网络传播可以看做是：input(784 units)->layer1(256 units)->ReLu->layer2(128 units)->ReLu->output(10 units)。因此，在Sequential容器中定义后三层，activation指定为ReLu，而输入层需要通过build时候指定input_shape来告诉网络输入层的神经元数量。构建的代码如下，通过summary方法可以打印网络信息。 模型的训练最重要的就是权重更新和准确度统计。keras提供了多种优化器（optimizer）用于更新权重。优化器实际就是不同的梯度下降算法，缓解了传统梯度下降可能无法收敛到全局最小值的问题。在上一节中就稍加讨论了三种。这里就简单对比一下一些优化器，至于详细的区别今后有时间再写篇随笔专门讨论： 鉴于以上对比，此处选用Adam作为优化器，并采用其默认参数。 除了梯度下降，还需要考虑的是Loss的计算方法。之前，我们采用的是预测概率与实际值的差平方的均值，专业名称应该是欧几里得损失函数。其实，这是个错误，欧几里得损失函数适用于二元分类，多元分类应该采用交叉熵损失函数。有时候针对多元函数，我们会很不自觉地想把输出层归一化，于是会在输出层之后，交叉熵计算前先softmax一下。但是由于softmax是采用指数形式进行计算的，如果输出各类概率相差较大，则大概率在归一化后几乎为1，小概率归一化之后几乎为0。为了避免这一问题，通常是去掉softmax，在交叉熵函数tf.losses.CategoricalCrossentropy的参数中指from_logits=True。 Loss函数和优化器配置都可以通过compile方法指定，同时，还可以指定metrics列表来决定需要自动计算的信息，如准确度。 通过fit方法可以传入训练数据和测试数据。代码如下： 以上建立的网络模型在第一次train_db迭代完后就可以达到0.8以上的准确度，而且这个迭代每次仅花费3秒左右。经过大约50次迭代，准确度就可以高达0.98！ 手写数字识别——利用keras高层API快速搭建并优化网络模型 标签：ESS shuffle 程序 sse 工具 指定 输出 打印 还需 原文地址：https://www.cnblogs.com/kensporger/p/12232495.html一、数据的导入与预处理
import tensorflow as tf
from tensorflow.keras import datasets,optimizers,Sequential,metrics,layers
# 改变数据类型
def preprocess(x,y):
x = tf.cast(x,dtype=tf.float32)/255-0.5
x = tf.reshape(x,[-1,28*28])
y = tf.one_hot(y, depth=10)
y = tf.cast(y, dtype=tf.int32)
return x,y
#60k 28*28
(train_x,train_y),(val_x,val_y) = datasets.mnist.load_data()
#生成Dataset对象
train_db = tf.data.Dataset.from_tensor_slices((train_x,train_y)).shuffle(10000).batch(256)
val_db = tf.data.Dataset.from_tensor_slices((val_x,val_y)).shuffle(10000).batch(256)
#预处理,对每个数据应用preprocess
train_db = train_db.map(preprocess)
val_db = val_db.map(preprocess)
二、模型构建
#网络模型
model = Sequential([
layers.Dense(256,activation=tf.nn.relu),
layers.Dense(128,activation=tf.nn.relu),
layers.Dense(10),
])
#input_shape=(batch_size,input_dims)
model.build(input_shape=(None,28*28))
model.summary()
三、模型的训练
#配合Adam优化器、交叉熵Loss函数、metrics列表
model.compile(optimizer=optimizers.Adam(),
loss=tf.losses.CategoricalCrossentropy(from_logits=True),
metrics=[‘accuracy‘])
#数据传入，迭代10次train_db，每迭代1次,计算一次测试数据集准确度
model.fit(train_db,epochs=10,validation_data=val_db,validation_freq=1)
四、完整代码
1 import tensorflow as tf
2 from tensorflow.keras import datasets,optimizers,Sequential,metrics,layers
3
4 # 改变数据类型
5 def preprocess(x,y):
6 x = tf.cast(x,dtype=tf.float32)/255-0.5
7 x = tf.reshape(x,[-1,28*28])
8 y = tf.one_hot(y, depth=10)
9 y = tf.cast(y, dtype=tf.int32)
10 return x,y
11
12 #60k 28*28
13 (train_x,train_y),(val_x,val_y) = datasets.mnist.load_data()
14
15 #生成Dataset对象
16 train_db = tf.data.Dataset.from_tensor_slices((train_x,train_y)).shuffle(10000).batch(256)
17 val_db = tf.data.Dataset.from_tensor_slices((val_x,val_y)).shuffle(10000).batch(256)
18
19 #预处理,对每个数据应用preprocess
20 train_db = train_db.map(preprocess)
21 val_db = val_db.map(preprocess)
22
23 #网络模型
24 model = Sequential([
25 layers.Dense(256,activation=tf.nn.relu),
26 layers.Dense(128,activation=tf.nn.relu),
27 layers.Dense(10),
28 ])
29 #input_shape=(batch_size,input_dims)
30 model.build(input_shape=(None,28*28))
31 model.summary()
32
33 #配合Adam优化器、交叉熵Loss函数、metrics列表
34 model.compile(optimizer=optimizers.Adam(),
35 loss=tf.losses.CategoricalCrossentropy(from_logits=True),
36 metrics=[‘accuracy‘])
37 #数据传入，迭代10次train_db，每迭代1次,计算一次测试数据集准确度
38 model.fit(train_db,epochs=100,validation_data=val_db,validation_freq=5)
文章标题：手写数字识别——利用keras高层API快速搭建并优化网络模型
文章链接：http://soscw.com/index.php/essay/42480.html