神经网络案例

目录

• 神经网络案例
  *
• 数据加载
• 数据处理
• 模型构建
• 模型编译
• 模型训练
• 模型测试
• 模型保存
• 总结

神经网络案例

学习目标

• 能够利用tf.keras获取数据集
• 能够构建多层神经网络
  
  [En]

  able to build a multi-layer neural network*

• 能够完成网络培训和评估
  
  [En]

  be able to complete network training and evaluation*

使用手写数字的MNIST数据集如上图所示，该数据集包含60,000个用于训练的样本和10,000个用于测试的样本，图像是固定大小(28×28像素)，其值为0到255。

整个案例的实现流程是：

• 数据加载
• 数据处理
• 模型构建
• 模型训练
• 模型测试
• 模型保存

第一步是导入所需的工具包：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['figure.figsize'] = (7,7)
import tensorflow as tf

from tensorflow.keras.datasets import mnist

from tensorflow.keras.models import Sequential

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

from tensorflow.keras import utils

from tensorflow.keras import regularizers

数据加载

首先加载手写数字图像

nb_classes = 10

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

print("训练样本初始维度", X_train.shape)
print("训练样本目标值初始维度", y_train.shape)

结果为：

训练样本初始维度 (60000, 28, 28)
训练样本目标值初始维度 (60000,)

数据展示：

for i in range(9):
    plt.subplot(3,3,i+1)

    plt.imshow(X_train[i], cmap='gray', interpolation='none')

    plt.title("数字{}".format(y_train[i]))

效果如下所示：

数据处理

神经网络中的每个训练样本是一个向量，因此需要对输入进行重塑，使每个28×28的图像成为一个的784维向量。另外，将输入数据进行归一化处理，从0-255调整到0-1。

X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

X_train /= 255
X_test /= 255

print("训练集：", X_train.shape)
print("测试集：", X_test.shape）

输出为：

训练集： (60000, 784)
测试集： (10000, 784)

此外，我们还需要对目标值进行处理，并将其转换为热编码形式：

实现方法如下所示：

Y_train = utils.to_categorical(y_train, nb_classes)
Y_test = utils.to_categorical(y_test, nb_classes)

模型构建

在这里我们构建只有3层全连接的网络来进行处理：

构建方法如下所示：

model = Sequential()

model.add(Dense(512, input_shape=(784,)))

model.add(Activation('relu'))

model.add(Dropout(0.2))

model.add(Dense(512,kernel_regularizer=regularizers.l2(0.001)))

model.add(BatchNormalization())

model.add(Activation('relu'))
model.add(Dropout(0.2))

model.add(Dense(10))

model.add(Activation('softmax'))

我们通过model.summay来看下结果：

Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_13 (Dense)             (None, 512)               401920
_________________________________________________________________
activation_8 (Activation)    (None, 512)               0
_________________________________________________________________
dropout_7 (Dropout)          (None, 512)               0
_________________________________________________________________
dense_14 (Dense)             (None, 512)               262656
_________________________________________________________________
batch_normalization (BatchNo (None, 512)               2048
_________________________________________________________________
activation_9 (Activation)    (None, 512)               0
_________________________________________________________________
dropout_8 (Dropout)          (None, 512)               0
_________________________________________________________________
dense_15 (Dense)             (None, 10)                5130
_________________________________________________________________
activation_10 (Activation)   (None, 10)                0
=================================================================
Total params: 671,754
Trainable params: 670,730
Non-trainable params: 1,024
_________________________________________________________________

模型编译

设置模型训练使用的损失函数交叉熵损失和优化方法adam，损失函数用来衡量预测值与真实值之间的差异，优化器用来使用损失函数达到最优：

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

模型训练

history = model.fit(X_train, Y_train,
          batch_size=128, epochs=4,verbose=1,
          validation_data=(X_test, Y_test))

训练过程如下所示：

Epoch 1/4
469/469 [==============================] - 2s 4ms/step - loss: 0.5273 - accuracy: 0.9291 - val_loss: 0.2686 - val_accuracy: 0.9664
Epoch 2/4
469/469 [==============================] - 2s 4ms/step - loss: 0.2213 - accuracy: 0.9662 - val_loss: 0.1672 - val_accuracy: 0.9720
Epoch 3/4
469/469 [==============================] - 2s 4ms/step - loss: 0.1528 - accuracy: 0.9734 - val_loss: 0.1462 - val_accuracy: 0.9735
Epoch 4/4
469/469 [==============================] - 2s 4ms/step - loss: 0.1313 - accuracy: 0.9768 - val_loss: 0.1292 - val_accuracy: 0.9777

将损失绘制成曲线：

plt.figure()

plt.plot(history.history["loss"], label="train_loss")

plt.plot(history.history["val_loss"], label="val_loss")
plt.legend()
plt.grid()

将训练的精确度绘制为曲线：

plt.figure()

plt.plot(history.history["accuracy"], label="train_acc")

plt.plot(history.history["val_accuracy"], label="val_acc")
plt.legend()
plt.grid()

另外可通过tensorboard监控训练过程，这时我们指定回调函数：

tensorboard = tf.keras.callbacks.TensorBoard(log_dir='./graph', histogram_freq=1,
                                                write_graph=True,write_images=True)

在进行训练：

history = model.fit(X_train, Y_train,
          batch_size=128, epochs=4,verbose=1,callbacks=[tensorboard],
          validation_data=(X_test, Y_test))

打开终端：

tensorboard --logdir="./"

在浏览器中打开指定的URL，即可查看损耗函数和精度、图形结构等方面的变化。

模型测试

score = model.evaluate(X_test, Y_test, verbose=1)

print('测试集准确率:', score)

结果：

313/313 [==============================] - 0s 1ms/step - loss: 0.1292 - accuracy: 0.9777
Test accuracy: 0.9776999950408936

模型保存

model.save('my_model.h5')

model = tf.keras.models.load_model('my_model.h5')

总结

• 能够利用tf.keras获取数据集：

load_data()

• 能够构建多层神经网络
  
  [En]

  able to build multi-layer neural networks*

dense,激活函数，dropout,BN层等

• 能够完成网络培训和评估
  
  [En]

  be able to complete network training and evaluation*

fit，回调函数，evaluate, 保存模型

Original: https://blog.csdn.net/qq_43966129/article/details/123030127
Author: 最白の白菜
Title: 神经网络案例