活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。
热爱写作，愿意让自己成为更好的人…

【深度学习实践（二）】上手手写数字识别

1 设置运行设备

tf.config.set_visible_devices([gpu0],"GPU")

2 加载数据集

先得到训练数据集，这里使用MNIST手写数字数据集，该数据集来源于美国国家标准与技术研究所,是著名的公开数据集之一。数据集中的数字图片是由250个不同职业的人纯手写绘制，如下图所示：

datasets.mnist.load_data()

• 打印出一部分训练数据查看
  

3 构建神经网络模型并进行训练

图片识别的原理就是 每张图可以看成是含有28*28的像素，然后转化为向量的形式就是 (1,784)，数据训练集中一共含有60000张图片，那么向量组可以表示为(60000,784)

然后构建神经网络模型，通过卷积层将数据进行压缩**，池化层**进行数据（图像特征）的进一步抽样，以达到减少训练量的目的，最后全连接层 起到“特征提取器”的作用，输出层进行输出

将构建好的模型 通过优化，损失函数，性能评估，然后进行训练，通过反馈自行调整模型

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
""" 输出：((60000, 28, 28, 1), (10000, 28, 28, 1), (60000,), (10000,)) """
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),  # 卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),  # 池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Flatten(),  # Flatten层
    layers.Dense(64, activation='relu'),  # 全连接层
    layers.Dense(10)  # 输出层
])
# 打印网络结构
model.summary()

• 编译与训练模型

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

history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

4 预测结果

将训练好的模型 进行预测，输入一张图片，这里选择image[3]，预测后得到图像特征结果（1,10）的一个向量

plt.imshow(test_images[3])
plt.show()
newT=test_images[3].reshape(1,784)
print('Test图片向量化为：'+str(newT))

print('预测ing...')
resT=test_images[3].reshape(1,28,28,1)
pre=model.predict(resT)
print('即得到预测结果'+str(pre))

学习随笔

1，学习的收货

动手实践深度学习，搭建神经网络，预测模型结果，体验炼丹入门的快乐

2，学习遇到的问题

提示：关于在Pycharm上想要通过qt窗口出图时，需要将设置plt.show(block=True)此时程序会在此被阻塞，当绘图窗口关闭后才会继续往下运行