TensorFlow學習筆記（二）

loviezhang發表於2019-04-11
筆記

在上個例子中，我們學會了如何建立神經網路，解決了預測房屋價格的問題。但是那個問題十分明確，房屋價格和房間房間數量之間的規則一目瞭然，並不能體現出機器學習的價值。

接下來，讓我們來看一個很難定義出來明確規則的例子，如影象識別。

在這個例子中，我們利用機器學習，識別影象的類別。

fashion-minist

這裡使用的資料集是fashion-minist，資料集包含60000條訓練資料和10000條測試資料，每條資料都是28*28的灰度影象，及對應的10種類別。

資料大概是長這個樣子的。

TensorFlow學習筆記（二）

可以從這裡檢視詳細的資料。

編碼實現

在開始時，還是先引入tensorflow。

import tensorflow as tf
複製程式碼

fashion minist 資料可以使用tensorflow的API來讀取。

mnist = tf.keras.datasets.fashion_mnist
複製程式碼

呼叫minist.load_data函式，得到兩個資料集合，分別是訓練資料和測試資料，每個資料集合由影象資料和標籤組成。

(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
複製程式碼

這個資料長的是什麼樣子呢？我們可以隨便找一個元素列印出來影象資料和標籤看下，這裡列印下第一個元素。

print("lable: ", training_labels[0])
print("image: ")
for line in training_images[0]:
    s = ""
    for v in line:
        s = s + "%3d"%v + " "
    print(s)
複製程式碼

TensorFlow學習筆記（二）

我們注意到列印出來的值都是在0-255之間。如果我們要訓練神經網路，需要把這些值變為0-1之間，這個操作叫歸一化，把資料做歸一化會帶來很多好處。

利用python，我們很容易做歸一化操作

training_images  = training_images / 255.0
test_images = test_images / 255.0
複製程式碼

看到這裡可能會疑惑，為什麼會有訓練和測試兩份資料集？原因是一份資料用來做訓練，另一份資料是模型未見過的，用來測試模型在之前從未見過的資料中的表現。

現在讓我們設計下我們的模型，這裡有幾個新概念，接下來會做解釋。

model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),
                                    tf.keras.layers.Dense(128, activation=tf.nn.relu), 
                                    tf.keras.layers.Dense(10, activation=tf.nn.softmax)])
複製程式碼

Sequential: 定義了神經網路的層序列。

Flatten：之前我們列印資料的時候，影象資料是二維的，Flatten只是將其變為一維資料。

Dense：向神經網路中新增一個層。

每一個層都需要activation function設定啟用函式，我們有很多種啟用函式可以選擇，這裡用的是Relu和Softmax。

Relu：作用相當於if (X>0) return X; else return 0;，所以做的事情就是把0（X<=0時）或X（X>0時）傳到下一層。

Softmax：獲取一組值，然後選取最大的那個。舉個例子，假如上一層傳來的資料是[0.1, 0.1, 0.05, 0.1, 9.5, 0.1, 0.05, 0.05, 0.05]，那麼我們得到的結果是[0, 0, 0, 0, 1, 0, 0, 0, 0]。它幫我們實現來選取最大值的編碼工作，能節省大量的程式碼。

現在我們已經定義好來模型，接下來就是要訓練模型了。我們先編譯模型，編譯時需指定優化函式和損失函式。然後呼叫model.fit訓練模型，使訓練資料能夠匹配到對應的標籤，也就是找到訓練資料和對應標籤之間的關係，這樣若有新的和訓練資料相像的資料，模型就能預測這種資料的標籤了。

model.compile(optimizer = tf.train.AdamOptimizer(),
              loss = 'sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(training_images, training_labels, epochs=5)
複製程式碼

TensorFlow學習筆記（二）

當訓練完成後，我們可以看到模型的acc，就是0.8914這個數字。這個數字的含義是，我們的模型預測訓練資料時，有89%的資料是準確的。這個指標不算好，但是考慮到我們只訓練了5個epoch，且很快完成了訓練，這個結果也是不錯的了。

但是我們的模型在未見過的資料中表現如何呢？這就是上面的測試資料的用處了。我們可以呼叫model.evalute，把測試資料和標籤傳過去，就能看到其在測試資料上的表現了。

model.evaluate(test_images, test_labels)
複製程式碼

TensorFlow學習筆記（二）
可以看到acc是0.8745，意味著有87%的準確率，沒有在訓練資料中的表現好，這也是符合預期的。

你後面可以嘗試用一些別的方法，來提高準確率。

相關文章