TensorFlow学习笔记

Qifei
学习笔记

发布于：2020年6月17日
次浏览

P1：tensorflow安装

1
pip install tensorflow

P2：Hello World——衣服分类

这个例子训练了一个神经网络模型，用于分类衣服图片，比如tshirt和运动鞋。

需要用到tf.keras，它是个用于建立和训练模型的高层次的API

1
2
3
4
5
6
7
# TensorFlow and tf.keras
import tensorflow as tffrom tensorflow 
import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)

2.2.0

导入Fashion MNIST数据集

1
2
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

导入数据集，返回Numpy数组：

  • train_images和train_labels 数组是训练集。

  • test_images和 test_labels 数组是测试集。

这些图像是28x28的Numpy数组。可以理解为28x28的像素点，这些像素点在屏幕上显示出来表现为图像。每个像素点的值在0到255之间，表示颜色的深浅。如果你了解颜色的RGB值，那你就明白，所有的颜色都是由不同深浅程度的三种基本色构成，比如白色的RGB为(255.255.255)。标签labels是一个整数数组，范围从0到9。表示10个不同的衣服种类Class。

Label Class
0 T-shirt/top
1 Trouser
2 Pullover
3 Dress
4 Coat
5 Sandal
6 Shirt
7 Sneaker
8 Bag
9 Ankle boot

这些种类不包括在数据集中，需要单独定义：

1
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

研究数据

在训练模型之前，先研究这些数据格式。比如在训练集中的六万张图片，每张图片由28x28的像素点表示。

1
train_images.shape

(60000, 28, 28)

同时还有六万个与之对应的标签：

1
len(train_labels)

60000

每个标签都是一个0到9之间的整数：

1
train_labels

array([9, 0, 0, …, 3, 0, 5], dtype=uint8)

还有一万张用于测试的图片：

1
test_images.shape

(10000, 28, 28)

一万张训练集的标签：

1
len(test_labels)

10000

数据预处理

在训练模型之前，必须先对数据进行预处理。观察第一张图，我们可以看到图片的像素值在0到255之间。

1
2
3
4
5
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

将像素值范围缩小为0到1，所以将像素值都除以255：

1
2
train_images = train_images / 255.0
test_images = test_images / 255.0

为了确保数据的正确性，先将训练集的前25个图片显示出来，并且在图片下面展示分类名。

1
2
3
4
5
6
7
8
9
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()

建立模型

建立神经网络需要配置模型层，然后编译模型。

设置层

基本的神经网络模块是层。层会从它们获取的数据里提取图像。它们希望从这些图像里获取有用的信息。

大多数深度学习都是简单层组合在一起。大多数层比如tf.keras.layers.Dense，拥有在训练时学习到的参数。

1
model = keras.Sequential([    keras.layers.Flatten(input_shape=(28, 28)),    keras.layers.Dense(128, activation='relu'),    keras.layers.Dense(10)])

这个网络的第一层，tf.keras.layers.Flatten，将图像的格式从二维数组(28 * 28像素)转换为一维数组(28 * 28 = 784像素)。可以将这一层看作是将图像中的像素行展开并排列起来。这一层没有参数需要学习;它只是重新格式化数据。

像素被扁平化后，网络由两个tf.keras.层组成。它们是紧密相连或完全相连的神经层。第一致密层有128个节点(或神经元)。第二个(也是最后一个)层返回长度为10的logits数组。每个节点都包含一个评价值，表示当前图像属于这10个类中的一个。

编译模型

在准备训练模型之前，需要进行一些其他设置。 这些是在模型的编译步骤中添加的：

  • Loss function——这可以衡量模型在培训期间的准确性。您希望最小化这个函数，以便将模型“引导”到正确的方向。
  • Optimizer——这就是模型如何根据它看到的数据和它的损失函数进行更新。
  • Metrics——用于监控培训和测试步骤。下面的例子使用了准确率，即正确分类的图像的比例。
1
model.compile(optimizer='adam',              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),              metrics=['accuracy'])

训练模型

训练神经网络模型需要以下步骤：

  1. 输入训练数据到模型中。
  2. 模型学习关联图像和分类标签。
  3. 让模型预测测试集。
  4. 验证预测结果是否和标签匹配。

输入数据到模型中

利用model.fit方法。他能将模型用于拟合训练数据。

1
model.fit(train_images, train_labels, epochs=10)

Epoch 1/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.4978 - accuracy: 0.8248
Epoch 2/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3767 - accuracy: 0.8637
Epoch 3/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3397 - accuracy: 0.8759
Epoch 4/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3138 - accuracy: 0.8854
Epoch 5/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2948 - accuracy: 0.8914
Epoch 6/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2803 - accuracy: 0.8958
Epoch 7/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2678 - accuracy: 0.9006
Epoch 8/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2590 - accuracy: 0.9043
Epoch 9/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2464 - accuracy: 0.9078
Epoch 10/10
1875/1875 [==============================] - 3s 2ms/step - loss: 0.2402 - accuracy: 0.9099

<tensorflow.python.keras.callbacks.History at 0x7fe472eff4a8>

评估准确率

比较模型在测试数据集上的表现：

1
2
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

313/313 - 1s - loss: 0.3382 - accuracy: 0.8840

Test accuracy: 0.8840000033378601

结果是测试数据集上的准确性比训练数据集上的准确性稍低。训练准确度和测试准确度之间的差距代表过拟合。当机器学习模型在新的、以前没有看到的输入上的表现不如在训练数据上的表现时，就会发生过拟合。过度拟合的模型“记忆”了训练数据集中的噪音和细节，从而对模型在新数据上的性能产生负面影响。有关更多信息，请参见以下内容

预测结果

通过训练模型，你可以使用它来预测某些图像。 模型的线性输出，logits。 附加一个softmax层以将logit转换为更容易解释的概率。

1
probability_model = tf.keras.Sequential([model,                                          tf.keras.layers.Softmax()])
1
predictions = probability_model.predict(test_images)

在这里，模型已经预测了测试集中每个图像的标签。 让我们看一下第一个预测：

1
predictions[0]

array([1.2275562e-07, 8.9534730e-08, 7.6224147e-09, 1.9726743e-08,
6.1515345e-07, 4.6329503e-03, 4.1164008e-06, 1.5043605e-02,
2.8817641e-07, 9.8031825e-01], dtype=float32)

预测是一个包含10个数字的数组。它们代表了模型的“自信”，即图像对应着10种不同的服装。你可以看到哪个标签的自信度最高：

1
np.argmax(predictions[0])

9

因此，模型最自信的认为这是一个踝靴，或class_names[9]。检查测试标签表明这个分类是正确的：

1
test_labels[0]

9

绘制图表，看看10个类预测的全部集合。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array, 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, true_label[i]
  plt.grid(False)
  plt.xticks(range(10))
  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')

验证预测

通过训练模型，您可以使用它来预测某些图像。

让我们看一下第0张图片，预测和预测数组。 正确的预测标签为蓝色，错误的预测标签为红色。 该数字给出了预测标签的百分比（满分为100）。

1
2
3
4
5
6
7
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i],  test_labels)
plt.show()

1
2
3
4
5
6
7
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i],  test_labels)
plt.show()

让我们绘制一些带有预测的图像。 请注意，即使非常自信，该模型也可能是错误的。

1
2
3
4
5
6
7
8
9
10
11
12
13
# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
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[i], test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()

使用训练的模型

最后，利用训练好的模型对单幅图像进行预测。

1
2
3
# Grab an image from the test dataset.
img = test_images[1]
print(img.shape)

(28, 28)

tf.keras模型经过优化，可以立即对一批或一组示例进行预测。因此，即使使用的是单个图像，也需要将其添加到列表中

1
2
3
# Add the image to a batch where it's the only member.
img = (np.expand_dims(img,0))
print(img.shape)

(1, 28, 28)

现在为这个图像预测正确的标签

1
2
3
predictions_single = probability_model.predict(img)

print(predictions_single)

[[2.3256284e-06 5.5768194e-13 9.9955302e-01 3.3701731e-13 4.3444714e-04
3.7890427e-17 1.0105057e-05 4.5671220e-20 8.4883814e-14 9.5599025e-18]]

1
plot_value_array(1, predictions_single[0], test_labels)_ = plt.xticks(range(10), class_names, rotation=45)

keras.Model.predict返回列表的列表-数据批次中每个图像的列表。 批量获取我们（唯一）图像的预测：

1
np.argmax(predictions_single[0])

2

这个模型预测了一个标签。

本指南使用Fashion MNIST数据集，该数据集包含10个类别中的70,000张灰度图像。这些图像以低分辨率(28×28像素)显示了衣服的单个物品，如图所示

Fashion MNIST旨在替代经典MNIST数据集，通常被用作计算机视觉机器学习程序的“ Hello，World”。 MNIST数据集包含手写数字（0、1、2等）的图像，格式与您将在此处使用的衣服的格式相同。

本指南将Fashion MNIST用于多种用途，并且因为它比常规MNIST更具挑战性。 两个数据集都相对较小，用于验证算法是否按预期工作。 它们是测试和调试代码的良好起点。

在这里，使用60,000张图像来训练网络，使用10,000张图像来评估网络学习对图像进行分类的准确程度。 您可以直接从TensorFlow访问Fashion MNIST。 直接从TensorFlow导入和加载Fashion MNIST数据：

相关文章
Bootstrap学习笔记

博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 协议

本文永久链接是：https://blog.sci.ci/2020/06/17/TensorFlow%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/

更新于：2021年2月20日

TensorFlow

评论