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
