欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

大数据与云计算 | 掌握深度学习框架的应用

程序员文章站 2022-07-07 19:39:47
一、实验目的熟悉Python和numpy的基本用法掌握深度学习框架的应用二、实验内容在本机安装Anaconda或者纯Python环境,了解Python基本语法和numpy基本用法使用任意深度学习框架(TensorFlow,Keras等)实现MNIST手写数字识别*,正确率至少在90%以上*实现不用任何深度学习框架,仅使用numpy等基础库实现MNIST手写数字识别,正确率至少在85%以上三、实验过程3.1 安装Anaconda环境和PyCharm成功配置的环境如下.....

一、实验目的

  1. 熟悉Python和numpy的基本用法
  2. 掌握深度学习框架的应用

 

二、实验内容

  1. 在本机安装Anaconda或者纯Python环境,了解Python基本语法和numpy基本用法
  2. 使用任意深度学习框架(TensorFlow,Keras等)实现MNIST手写数字识别*,正确率至少在90%以上
  3. *实现不用任何深度学习框架,仅使用numpy等基础库实现MNIST手写数字识别,正确率至少在85%以上

 

三、实验过程

3.1 安装Anaconda环境和PyCharm

成功配置的环境如下图所示

大数据与云计算 | 掌握深度学习框架的应用

设置Pycharm的默认解释器为Anaconda

大数据与云计算 | 掌握深度学习框架的应用

3.2 配置TensorFlow

3.2.1 Anaconda Prompt -> 创建一个python3.5的环境,环境名称为tensorflow,然后启动tensorflow环境:activate tensorflow

大数据与云计算 | 掌握深度学习框架的应用

3.2.2安装cpu版本的TensorFlow:pip install --upgrade --ignore-installed tensorflow

大数据与云计算 | 掌握深度学习框架的应用

3.2.3 安装Keras:pip install keras

大数据与云计算 | 掌握深度学习框架的应用

3.3 加载keras的mnist数据集

  1. # Plot ad hoc mnist instances  
  2. from keras.datasets import mnist  
  3. import matplotlib.pyplot as plt  
  4. # load (downloaded if needed) the MNIST dataset  
  5. (X_train, y_train), (X_test, y_test) = mnist.load_data()  
  6. # plot 4 images as gray scale  
  7. plt.subplot(221)  
  8. plt.imshow(X_train[0], cmap=plt.get_cmap('gray'))  
  9. plt.subplot(222)  
  10. plt.imshow(X_train[1], cmap=plt.get_cmap('gray'))  
  11. plt.subplot(223)  
  12. plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))  
  13. plt.subplot(224)  
  14. plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))  
  15. # show the plot  
  16. plt.show()  

上面的代码加载了数据集并画出了前4个图片:

大数据与云计算 | 掌握深度学习框架的应用

编写代码:

  1. from keras.datasets import mnist  
  2. import matplotlib.pyplot as plt  
  3. (X_train, y_train), (X_test, y_test) = mnist.load_data()  
  4. plt.subplot(331)  
  5. plt.imshow(X_test[0], cmap=plt.get_cmap('gray'))  
  6. plt.subplot(332)  
  7. plt.imshow(X_train[1], cmap=plt.get_cmap('gray'))  
  8. plt.subplot(333)  
  9. plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))  
  10. plt.subplot(334)  
  11. plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))  
  12. plt.subplot(335)  
  13. plt.imshow(X_train[4], cmap=plt.get_cmap('gray'))  
  14. plt.subplot(336)  
  15. plt.imshow(X_train[5], cmap=plt.get_cmap('gray'))  
  16. plt.subplot(337)  
  17. plt.imshow(X_train[6], cmap=plt.get_cmap('gray'))  
  18. plt.subplot(338)  
  19. plt.imshow(X_train[7], cmap=plt.get_cmap('gray'))  
  20. plt.subplot(339)  
  21. plt.imshow(X_train[8], cmap=plt.get_cmap('gray'))  
  22. plt.show()  

运行结果:

大数据与云计算 | 掌握深度学习框架的应用

3.4 编写多层感知机的baseline模型

【代码略去】

训练完成,模型的错误率为1.97%

 

大数据与云计算 | 掌握深度学习框架的应用

3.5 实现卷积神经网络

【代码略去】

3.5.6 训练完成,模型的错误率为0.88%,相比于单隐层神经网络有很大提升

大数据与云计算 | 掌握深度学习框架的应用

大数据与云计算 | 掌握深度学习框架的应用

3.6 仅使用numpy实现MNIST手写数字识别(选做)

【代码略去】

训练结果:误差14.66%,在可接受范围内

大数据与云计算 | 掌握深度学习框架的应用

 

四、实验结果

  1. 使用单隐层神经网络实现了MNIST手写数字识别,错误率1.97%
  2. 使用卷积神经网络实现了MNIST手写数字识别,错误率0.88%
  3. 仅使用numpy实现了MNIST手写数字识别,错误率14.66%

 

五、体会

通过本次实验,我对Python深度学习和numpy有了更深刻的理解,掌握了单隐层神经网络、卷积神经网络、numpy实现MNIST手写数字识别模型的构建与训练,对大数据与云计算的功能与原理有了进一步的了解。

本文地址:https://blog.csdn.net/lee1hong/article/details/107137210