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

快速入门深度学习——Tensorflow

程序员文章站 2024-03-23 13:11:46
...

前言:近几年AI、神经网络、深度学习这些词语频繁出现,我发现相关的文章已经几乎看不懂了,感觉到了不学就会落伍的地步了。带着这种危机感,趁着工作上能接触到深度学习,我也开始学习起来了。

环境搭建

  • Mac和Pc都可以使用
  • IDE使用 PyCharm
  • Python版本 3.6.8(之前使用3.7版本,发现无法安装TensorFlow)

python 3.7版本安装TensorFlow 会有下面的提示,需要切换到3.6或者其他版本
Could not find a version that satisfies the requirement tensorflow (from versions: )
No matching distribution found for tensorflow

  1. PyCharm里选择"Project Interpreter",选择Python 3.6,点击“+”添加库
    快速入门深度学习——Tensorflow
  2. 搜索"tensoflow",点击安装
    快速入门深度学习——Tensorflow
  3. 测试TensorFlow环境是否安装成功
from __future__ import absolute_import, division, print_function
import tensorflow as tf
from tensorflow import keras

# 输出TensorFlow版本号
print(tf.__version__) 

能输出TensorFlow的版本号即表示环境没问题了

代码

下面官网介绍的demo:

加载素材库

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

定义数字对应的物品名称

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

适配tensorflow的数据格式

train_images = train_images / 255.0
test_images = test_images / 255.0
def create_model():
    model = tf.keras.models.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(128, activation=tf.nn.relu),
        keras.layers.Dense(10, activation=tf.nn.softmax)
    ])
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    return model

开始训练模型

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

评估模型精确度

loss,acc = model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))

保存模型,下次就可以跳过训练模型这一步

model.save('my_model.h5')

读取之前训练好的模型

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

使用模型进行预测

predictions = model.predict(test_images)
# 输出第一个图片的预测结果
# print(np.argmax(predictions[0]))

绘制所有结果

import numpy as np
import matplotlib.pyplot as plt
def plot_image(i, predictions_array, true_label, img):
    predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])

    plt.imshow(img, cmap=plt.cm.binary)

    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'

    plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                         100 * np.max(predictions_array),
                                         class_names[true_label]),
               color=color)


def plot_value_array(i, predictions_array, true_label):
    predictions_array, true_label = predictions_array[i], true_label[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    thisplot = plt.bar(range(10), predictions_array, color="#777777")
    plt.ylim([0, 1])
    predicted_label = np.argmax(predictions_array)

    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')

num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows, 2*num_cols, 2*i+1)
  plot_image(i, predictions, test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions, test_labels)

plt.show()

快速入门深度学习——Tensorflow