TensorFlow2.0笔记3：手写数字(MNIST)识别问题初体验！

手写数字(MNIST)识别问题初体验！

一. 整体思路解读

1.1. mnist数据集分析

• 注意：Dataset类型有一个好处：比如一次给一个样本[1,784],这个样本对于GPU来说是非常快的。所以我们可以一次来完成多个样本，有个b的概念在里面。即是：一次完成多个图片的计算，高度的并行化。默认的是一次抽取一张图片。看下面的运行结果。

注意：从上面的运行结果可以看出来，输出的标签值并不是 $one-hot$ 编码；是一个60000*1维度的。

• 如何返回一个 $batch$ 呢？后面添加一个.batch(张数)；即是：

• 运行结果如下：

1.2. 准备网络结构和优化器

1.3. 计算输出值和损失值

二、附录：代码实现

2.1、python代码

import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'                             #把warning提醒信息屏蔽。

(xs, ys), (xs_val, ys_val) = datasets.mnist.load_data()              #这里返回是numpy格式，如果使用GPU加速，要转化为tensor格式
print('datasets:', xs.shape, ys.shape, xs.min(), xs.max())

xs = tf.convert_to_tensor(xs, dtype=tf.float32) / 255.               # 除以255归一到0-1
ys = tf.convert_to_tensor(ys, dtype=tf.int32)
ys=tf.one_hot(ys,depth=10)
print(xs.shape, ys.shape)
train_dataset=tf.data.Dataset.from_tensor_slices((xs,ys)).batch(200) #转换为Dataset类型，batch为200


#准备网络结构和优化器。
model = keras.Sequential([layers.Dense(784, activation='relu'),
                          layers.Dense(256, activation='relu'),
                          layers.Dense(10)])
optimizer=optimizers.SGD(learning_rate=0.001)

#对数据集开始迭代。
def train_epoch(epoch): #对数据集进行一次训练，我们叫做epoch,艾不科
    #Step4.loop；对一个batch训练叫做一个step.
    for step, (x, y) in enumerate(train_dataset): #一次循环取200张图片，共有60000张，循环300次取完。
        with tf.GradientTape() as tape:
            # [b,28,28]=>[b,784]  daping
            x = tf.reshape(x, (-1, 28 * 28))

            #步骤1：计算输出。
            # Step1, computer output;
            # [b,784]=>[b,10]
            out = model(x)  # h1->h2->output

            #步骤2：计算损失值。
            # Step2. computer loss；
            loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]

        #步骤3：通过损失来计算梯度。
        # step3. optimizer and update[w1,w2,w3,b1,b2,b3];通过损失来计算梯度。
        grad = tape.gradient(loss, model.trainable_variables)

        #步骤4：通过梯度更新权值
        # w'=w-lr*grad；
        optimizer.apply_gradients(zip(grad, model.trainable_variables))
        if step % 100 == 0:
            print("数据集迭代第 %s 次, 训练step为 %s, loss函数为：%s"%(epoch,step,loss.numpy()))

def train():
    for epoch in range(30): #对数据集合迭代30次。
        train_epoch(epoch)

if __name__=='__main__':
    train()

2.2. 运行结果

• 部分截图

• 注意：debugger模式查看数据集的xs。

三. 需要全套课程视频+PPT+代码资源可以私聊我!

• 方式1：CSDN私信我!
• 方式2：QQ邮箱:[email protected]或者直接加我QQ!