分类
机器学习及应用

tensorflow 2.0实现mnist手写数字识别

这是一篇由AI柠檬博主使用TensorFlow 2.0版本的新特性,基于tf.keras,实现mnist手写数字识别的Demo程序。之前旧版的keras代码仅需极少数改动即可迁移到TensorFlow 2.0。

(在苹果系统下,如果文章中的图片不能正常显示,请升级Safari浏览器到最新版本,或者使用Chrome、Firefox浏览器打开。)

最近这一段时间,TensorFlow 2.0发布,这是你从没有体验过的全新的版本,为了能够尽快接触和体验到2.0新版本的特性,AI柠檬博主从mnist手写数字识别Demo入手,开始学习TensorFlow 2.0版。由于tf2原生内置keras包,无需另外安装,本样例将以tf.keras代码实现,并且在这一过程中发现,原本的keras代码仅需极少数改动即可迁移到TensorFlow 2.0,这对于之前一直使用Keras的用户来说,可谓非常友好了。

整个程序的代码思路来源于GitHub 上别人用Keras实现的一个小项目,并使用TensorFlow 2.0框架复现了一遍:

https://gist.github.com/alexcpn/0683bb940cae510cf84d5976c1652abd

运行环境

所需软件

Python 3.7

依赖包

tensorflow或tensorflow-gpu (版本>=2.0)

numpy

matplotlib

代码讲解

依赖包导入

从这里我们可以看到原来的直接导入keras的方式,变成了导入tensorflow.keras的方式。

# 3. Import libraries and modules

import numpy as np

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten

from tensorflow.keras.layers import Convolution2D, MaxPooling2D

from tensorflow.keras.datasets import mnist

设置随机数种子

np.random.seed(123)  # for reproducibility

导入数据

Keras自身内置了一个mnist数据集,但是由于其存放在亚马逊云服务器上,在中国大陆我们没办法下载下来,会提示下载失败。我这里有一份下载好的数据集:

mnist.npz

def load_data(path='mnist.npz'):

    """Loads the MNIST dataset.



    # Arguments

        path: path where to cache the dataset locally

            (relative to ~/.keras/datasets).



    # Returns

        Tuple of Numpy arrays: `(x_train, y_train), (x_test, y_test)`.

    """

    #path = get_file(path,

    #                origin='https://s3.amazonaws.com/img-datasets/mnist.npz',

    #                file_hash='8a61469f7ea1b51cbae51d4f78837e45')

    f = np.load(path)

    x_train, y_train = f['x_train'], f['y_train']

    x_test, y_test = f['x_test'], f['y_test']

    f.close()

    return (x_train, y_train), (x_test, y_test)



(X_train, y_train), (X_test, y_test) = load_data()

我们可以查看一下数据的格式,输入输出维度

print(X_train.shape,y_train.shape,X_test.shape,y_test.shape)

数据可视化

为了方便,或者更直观,我们往往需要将数据可视化,这里我们需要用到一个强大的绘图库matplotlib。

import matplotlib.pyplot as plt

# plot 4 images as gray scale

plt.subplot(221)

print(y_train[4545],y_train[1],y_train[2],y_train[3])

plt.imshow(X_train[4545], cmap=plt.get_cmap('gray'))

plt.subplot(222)

plt.imshow(X_train[1], cmap=plt.get_cmap('gray'))

plt.subplot(223)

plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))

plt.subplot(224)

plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))

# show the plot

plt.show()



# Reshape the Input for the backend



X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)

X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)



plt.subplot(224)

plt.imshow(X_train[4545][0], cmap=plt.get_cmap('gray'))

plt.show()

数据预处理

# convert data type and normalize values

X_train = X_train.astype('float32')

X_test = X_test.astype('float32')

X_train /= 255

X_test /= 255



print(y_train[4545])

plt.imshow(X_train[4545][0], cmap=plt.get_cmap('gray'))

plt.show()



print (y_train.shape)

进行one hot处理

可以将1 2 3等的数字标签正交化,以供计算机分类成10个类别。

Y_train = tf.one_hot(y_train, 10)

Y_test = tf.one_hot(y_test, 10)



print (Y_train.shape)

值得一提的是,在旧版keras中,可以使用keras.utils.np_utils.to_categorical()方法实现,在tf2.0中的keras里面去除了这一API,转而使用tf自身的方法实现。

建立神经网络模型

model = Sequential()

# add a sequential layer



# declare a input layer

model.add(Convolution2D(32,(3,3),activation='relu',data_format='channels_first',input_shape=(1,28,28)))



print (model.output_shape)



model.add(Convolution2D(32, 3, 3, activation='relu'))

model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Dropout(0.25))



model.add(Flatten())

model.add(Dense(128, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))# output 10 classes corresponds to 0 to 9 digits we need to find



model.compile(loss='categorical_crossentropy',

              optimizer='adam',

              metrics=['accuracy'])

加载已保存的模型文件

如果程序已经运行过训练,之后再次运行,要继续训练或者预测时,需要首先加载已经保存的模型文件,如果是首次训练,可以忽略这一项。

model.load_weights('mn2.model')

训练模型并保存

model.fit(X_train, Y_train,batch_size=32, epochs=1, verbose=1)

model.save_weights('mn2.model')

模型评估和检验

score = model.evaluate(X_test, Y_test, verbose=0)

print(score)



k = np.array(X_train[4545]) #seven



print(k.shape)

y= k.reshape(1,1,28,28)

print(y.shape)



prediction = model.predict(y)

print(prediction)



class_pred = model.predict_classes(y)

print(class_pred)





plt.subplot(111)

plt.imshow(X_train[4545][0], cmap=plt.get_cmap('gray'))

plt.show()

如果没问题,就会看到分类是正确的。

版权声明
本博客的文章除特别说明外均为原创,本人版权所有。欢迎转载,转载请注明作者及来源链接,谢谢。
本文地址: https://blog.ailemon.net/2019/11/04/tensorflow-2-0-implements-mnist-handwritten-digit-recognition/
All articles are under Attribution-NonCommercial-ShareAlike 4.0

关注“AI柠檬博客”微信公众号,及时获取你最需要的干货。


发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

19 − 18 =

如果您是第一次在本站发布评论,内容将在博主审核后显示,请耐心等待