devbox
我家小花儿
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Tensorflow2.x框架-MNIST数据集_头歌:本关任务:读取tensorflow2.x内置的mnist服饰数据集(注:如网速太慢,可用以下

作者：我家小花儿 | 2024-04-01 21:49:46

赞

踩

头歌:本关任务:读取tensorflow2.x内置的mnist服饰数据集(注:如网速太慢,可用以下

MNIST数据集

博主微信公众号（左）、Python+智能大数据+AI学习交流群（右）：欢迎关注和加群，大家一起学习交流，共同进步！

目录

摘要

一、导入模块

二、导入 MNIST 数据集

三、作为输入特征，输入神经网络时，将数据拉伸为一维数组

四、可视化训练集输入特征的第一个元素

五、打印出训练集输入特征的第一个元素

六、打印出训练集标签的第一个元素

七、打印出训练集（输入特征、标签）、测试集（输入特征、标签）的形状

八、完整代码

九、Sequential() 实现手写数字识别

十、Class() 实现手写数字识别

摘要

MNIST 数据集：

    提供 6w 张 28*28 像素点的 0~9 手写数字图片和标签，用于训练。

    提供 1w 张 28*28 像素点的 0~9 手写数字图片个标签，用于测试。

一、导入模块

  1. # 模块导入
  2. import tensorflow as tf
  3. from matplotlib import pyplot as plt

二、导入 MNIST 数据集

  1. # 导入数据集，分别为输入特征和标签
  2. mnist = tf.keras.datasets.mnist
  3. # (x_train, y_train)：（训练集输入特征，训练集标签)
  4. # (x_test, y_test)：(测试集输入特征，测试集标签)
  5. (x_train, y_train), (x_test, y_test) = mnist.load_data()

三、作为输入特征，输入神经网络时，将数据拉伸为一维数组

tf.keras.layers.Flatten()    # 将输入特征拉直为一维数组，也就是拉直为28*28=784个数值

把28*28=784个像素点的灰度值作为输入特征送入神经网络。

四、可视化训练集输入特征的第一个元素

  1. # 可视化训练集输入特征的第一个元素
  2. plt.imshow(x_train[0], cmap="gray")     # 绘制灰度图
  3. plt.show()

可视化后的图片：一张黑底白字的手写数字图片5。

五、打印出训练集输入特征的第一个元素

  1. # 打印出训练集输入特征的第一个元素
  2. print(f"x_train[0]: \n {x_train[0]}")

输出结果：手写数字5的28行28列个像素值。0表示纯黑色，255表示纯白色。

  1. x_train[0]: 
  2.  [[  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  3.     0   0   0   0   0   0   0   0   0   0]
  4.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  5.     0   0   0   0   0   0   0   0   0   0]
  6.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  7.     0   0   0   0   0   0   0   0   0   0]
  8.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  9.     0   0   0   0   0   0   0   0   0   0]
  10.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  11.     0   0   0   0   0   0   0   0   0   0]
  12.  [  0   0   0   0   0   0   0   0   0   0   0   0   3  18  18  18 126 136
  13.   175  26 166 255 247 127   0   0   0   0]
  14.  [  0   0   0   0   0   0   0   0  30  36  94 154 170 253 253 253 253 253
  15.   225 172 253 242 195  64   0   0   0   0]
  16.  [  0   0   0   0   0   0   0  49 238 253 253 253 253 253 253 253 253 251
  17.    93  82  82  56  39   0   0   0   0   0]
  18.  [  0   0   0   0   0   0   0  18 219 253 253 253 253 253 198 182 247 241
  19.     0   0   0   0   0   0   0   0   0   0]
  20.  [  0   0   0   0   0   0   0   0  80 156 107 253 253 205  11   0  43 154
  21.     0   0   0   0   0   0   0   0   0   0]
  22.  [  0   0   0   0   0   0   0   0   0  14   1 154 253  90   0   0   0   0
  23.     0   0   0   0   0   0   0   0   0   0]
  24.  [  0   0   0   0   0   0   0   0   0   0   0 139 253 190   2   0   0   0
  25.     0   0   0   0   0   0   0   0   0   0]
  26.  [  0   0   0   0   0   0   0   0   0   0   0  11 190 253  70   0   0   0
  27.     0   0   0   0   0   0   0   0   0   0]
  28.  [  0   0   0   0   0   0   0   0   0   0   0   0  35 241 225 160 108   1
  29.     0   0   0   0   0   0   0   0   0   0]
  30.  [  0   0   0   0   0   0   0   0   0   0   0   0   0  81 240 253 253 119
  31.    25   0   0   0   0   0   0   0   0   0]
  32.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0  45 186 253 253
  33.   150  27   0   0   0   0   0   0   0   0]
  34.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0  16  93 252
  35.   253 187   0   0   0   0   0   0   0   0]
  36.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0 249
  37.   253 249  64   0   0   0   0   0   0   0]
  38.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0  46 130 183 253
  39.   253 207   2   0   0   0   0   0   0   0]
  40.  [  0   0   0   0   0   0   0   0   0   0   0   0  39 148 229 253 253 253
  41.   250 182   0   0   0   0   0   0   0   0]
  42.  [  0   0   0   0   0   0   0   0   0   0  24 114 221 253 253 253 253 201
  43.    78   0   0   0   0   0   0   0   0   0]
  44.  [  0   0   0   0   0   0   0   0  23  66 213 253 253 253 253 198  81   2
  45.     0   0   0   0   0   0   0   0   0   0]
  46.  [  0   0   0   0   0   0  18 171 219 253 253 253 253 195  80   9   0   0
  47.     0   0   0   0   0   0   0   0   0   0]
  48.  [  0   0   0   0  55 172 226 253 253 253 253 244 133  11   0   0   0   0
  49.     0   0   0   0   0   0   0   0   0   0]
  50.  [  0   0   0   0 136 253 253 253 212 135 132  16   0   0   0   0   0   0
  51.     0   0   0   0   0   0   0   0   0   0]
  52.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  53.     0   0   0   0   0   0   0   0   0   0]
  54.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  55.     0   0   0   0   0   0   0   0   0   0]
  56.  [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
  57.     0   0   0   0   0   0   0   0   0   0]]

六、打印出训练集标签的第一个元素

  1. # 打印出训练集标签的第一个元素
  2. print(f"y_train[0]: \n {y_train[0]}")

输出结果：

  1. y_train[0]: 
  2.  5

七、打印出训练集（输入特征、标签）、测试集（输入特征、标签）的形状

  1. # 打印出整个训练集输入特征的形状
  2. print(f"x_train.shape: \n {x_train.shape}")
  3. # 打印出整个训练集标签的形状
  4. print(f"y_train.shape: \n {y_train.shape}")
  5. # 打印出整个测试集输入特征的形状
  6. print(f"x_test.shape: \n {x_test.shape}")
  7. # 打印出整个测试集标签的形状
  8. print(f"y_test.shape: \n {y_test.shape}")

输出结果：

    x_train —— 60000 个 28 行 28 列的数据

    y_train —— 60000 个标签

    x_test —— 10000 个 28 行 28 列的数据

    y_test —— 10000 个标签

  1. x_train.shape: 
  2.  (60000, 28, 28)
  3. y_train.shape: 
  4.  (60000,)
  5. x_test.shape: 
  6.  (10000, 28, 28)
  7. y_test.shape: 
  8.  (10000,)

八、完整代码

  1. # 模块导入
  2. import tensorflow as tf
  3. from matplotlib import pyplot as plt
  4.  
  5. # 导入数据集，分别为输入特征和标签
  6. mnist = tf.keras.datasets.mnist
  7. # (x_train, y_train)：（训练集输入特征，训练集标签)
  8. # (x_test, y_test)：(测试集输入特征，测试集标签)
  9. (x_train, y_train), (x_test, y_test) = mnist.load_data()
  10.  
  11. # 可视化训练集输入特征的第一个元素
  12. plt.imshow(x_train[0], cmap="gray")     # 绘制灰度图
  13. plt.show()
  14.  
  15. # 打印出训练集输入特征的第一个元素
  16. print(f"x_train[0]: \n{x_train[0]}")
  17. # 打印出训练集标签的第一个元素
  18. print(f"y_train[0]: \n {y_train[0]}")
  19.  
  20. # 打印出整个训练集输入特征的形状
  21. print(f"x_train.shape: \n {x_train.shape}")
  22. # 打印出整个训练集标签的形状
  23. print(f"y_train.shape: \n {y_train.shape}")
  24. # 打印出整个测试集输入特征的形状
  25. print(f"x_test.shape: \n {x_test.shape}")
  26. # 打印出整个测试集标签的形状
  27. print(f"y_test.shape: \n {y_test.shape}")

九、Sequential() 实现手写数字识别

  1. # 模块导入
  2. import tensorflow as tf
  3.  
  4. # 导入数据集，分别为输入特征和标签
  5. mnist = tf.keras.datasets.mnist
  6. # (x_train, y_train)：（训练集输入特征，训练集标签)
  7. # (x_test, y_test)：(测试集输入特征，测试集标签)
  8. (x_train, y_train), (x_test, y_test) = mnist.load_data()
  9. # 对输入网络的输入特征进行归一化，使原本0到255之间的灰度值，变为0到1之间的数值
  10. # （把输入特征的数值变小更适合神经网络吸收）
  11. x_train, x_test = x_train / 255.0, x_test / 255.0
  12.  
  13. # 搭建网络结构
  14. model = tf.keras.models.Sequential([
  15.     tf.keras.layers.Flatten(),  # 将输入特征拉直为一维数组，也就是拉直为28*28=784个数值
  16.     tf.keras.layers.Dense(128, activation="relu"),  # 第一层网络128个神经元，使用relu激活函数
  17.     tf.keras.layers.Dense(10, activation="softmax")     # 第二层网络10个神经元，使用softmax激活函数，使输出符合概率分布
  18. ])
  19.  
  20. # 配置训练方法
  21. model.compile(optimizer="adam",     # 优化器
  22.               loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),    # 损失函数，输出是概率分布，from_logits=False
  23.               metrics=["sparse_categorical_accuracy"])  # 数据集中的标签是数值，神经网络输出y是概率分布
  24.  
  25. # 执行训练过程
  26. model.fit(x_train,  # 训练集输入特征
  27.           y_train,  # 训练集标签
  28.           batch_size=32,    # 每次喂入网络32组数据
  29.           epochs=5,     # 数据集迭代5次
  30.           validation_data=(x_test, y_test),     # 测试集输入特征，测试集标签
  31.           validation_freq=1)     # 每迭代1次训练集执行一次测试集的评测
  32.  
  33. # 打印出网络结构和参数统计
  34. model.summary()

十、Class() 实现手写数字识别

  1. # 模块导入
  2. import tensorflow as tf
  3. from tensorflow.keras import Model
  4. from tensorflow.keras.layers import Dense, Flatten
  5.  
  6. # 导入数据集，分别为输入特征和标签
  7. mnist = tf.keras.datasets.mnist
  8. # (x_train, y_train)：（训练集输入特征，训练集标签)
  9. # (x_test, y_test)：(测试集输入特征，测试集标签)
  10. (x_train, y_train), (x_test, y_test) = mnist.load_data()
  11. # 对输入网络的输入特征进行归一化，使原本0到255之间的灰度值，变为0到1之间的数值
  12. # （把输入特征的数值变小更适合神经网络吸收）
  13. x_train, x_test = x_train / 255.0, x_test / 255.0
  14.  
  15.  
  16. # 搭建网络结构
  17. class MnistModel(Model):
  18.     def __init__(self):
  19.         super(MnistModel, self).__init__()
  20.         self.flatten = Flatten()     # 将输入特征拉直为一维数组，也就是拉直为28*28=784个数值
  21.         self.d1 = Dense(128, activation="relu")  # 第一层网络128个神经元，使用relu激活函数
  22.         self.d2 = Dense(10, activation="softmax")     # 第二层网络10个神经元，使用softmax激活函数，使输出符合概率分布
  23.  
  24.     def call(self, x):
  25.         x = self.flatten(x)
  26.         x = self.d1(x)
  27.         y = self.d2(x)
  28.         return y
  29.  
  30.  
  31. model = MnistModel()
  32.  
  33. # 配置训练方法
  34. model.compile(optimizer="adam",     # 优化器
  35.               loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),    # 损失函数，输出是概率分布，from_logits=False
  36.               metrics=["sparse_categorical_accuracy"])  # 数据集中的标签是数值，神经网络输出y是概率分布
  37.  
  38. # 执行训练过程
  39. model.fit(x_train,  # 训练集输入特征
  40.           y_train,  # 训练集标签
  41.           batch_size=32,    # 每次喂入网络32组数据
  42.           epochs=5,     # 数据集迭代5次
  43.           validation_data=(x_test, y_test),     # 测试集输入特征，测试集标签
  44.           validation_freq=1)     # 每迭代1次训练集执行一次测试集的评测
  45.  
  46. # 打印出网络结构和参数统计
  47. model.summary()

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家小花儿/article/detail/350229
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号