從這篇文章開始，終於要乾點正兒八經的工作了，前面都是準備工作。這次我們要解決機器學習的經典問題，MNIST手寫數字識別。
首先介紹一下資料集。請首先解壓：TF_Net\Asset\mnist_png.tar.gz檔案
資料夾內包括兩個資料夾：training和validation，其中training資料夾下包括60000個訓練圖片validation下包括10000個評估圖片，圖片為28*28畫素，分別放在0~9十個資料夾中。
程式總體流程和上一篇文章介紹的BMI分析程式基本一致，畢竟都是多元分類，有幾點不一樣。
1、BMI程式的特徵資料（輸入）為一維陣列，包含兩個數字，MNIST的特徵資料為28*28的二位陣列；
2、BMI程式的輸出為3個，MNIST的輸出為10個；
網路模型構建如下：
private readonly int img_rows = 28; private readonly int img_cols = 28; private readonly int num_classes = 10; // total classes /// <summary> /// 構建網路模型 /// </summary> private Model BuildModel() { // 網路引數 int n_hidden_1 = 128; // 1st layer number of neurons. int n_hidden_2 = 128; // 2nd layer number of neurons. float scale = 1.0f / 255; var model = keras.Sequential(new List<ILayer> { keras.layers.InputLayer((img_rows,img_cols)), keras.layers.Flatten(), keras.layers.Rescaling(scale), keras.layers.Dense(n_hidden_1, activation:keras.activations.Relu), keras.layers.Dense(n_hidden_2, activation:keras.activations.Relu), keras.layers.Dense(num_classes, activation:keras.activations.Softmax) }); return model; }
這個網路裡用到了兩個新方法，需要解釋一下：
1、Flatten方法：這裡表示拉平，把28*28的二維陣列拉平為含784個資料的一維陣列，因為二維陣列無法進行運算；
2、Rescaling 方法：就是對每個資料乘以一個係數，因為我們從圖片獲取的資料為每一個位點的灰度值，其取值範圍為0~255，所以乘以一個係數將資料縮小到1以內，以免後面運算時溢位。
其它基本和上一篇文章介紹的差不多，全部程式碼如下：
/// <summary> /// 通過神經網路來實現多元分類 /// </summary> public class NN_MultipleClassification_BMI { private readonly Random random = new Random(1); // 網路引數 int num_features = 2; // data features int num_classes = 3; // total output . public void Run() { var model = BuildModel(); model.summary(); Console.WriteLine("Press any key to continue..."); Console.ReadKey(); (NDArray train_x, NDArray train_y) = PrepareData(1000); model.compile(optimizer: keras.optimizers.Adam(0.001f), loss: keras.losses.SparseCategoricalCrossentropy(), metrics: new[] { "accuracy" }); model.fit(train_x, train_y, batch_size: 128, epochs: 300); test(model); } /// <summary> /// 構建網路模型 /// </summary> private Model BuildModel() { // 網路引數 int n_hidden_1 = 64; // 1st layer number of neurons. int n_hidden_2 = 64; // 2nd layer number of neurons. var model = keras.Sequential(new List<ILayer> { keras.layers.InputLayer(num_features), keras.layers.Dense(n_hidden_1, activation:keras.activations.Relu), keras.layers.Dense(n_hidden_2, activation:keras.activations.Relu), keras.layers.Dense(num_classes, activation:keras.activations.Softmax) }); return model; } /// <summary> /// 載入訓練資料 /// </summary> /// <param name="total_size"></param> private (NDArray, NDArray) PrepareData(int total_size) { float[,] arrx = new float[total_size, num_features]; int[] arry = new int[total_size]; for (int i = 0; i < total_size; i++) { float weight = (float)random.Next(30, 100) / 100; float height = (float)random.Next(140, 190) / 100; float bmi = (weight * 100) / (height * height); arrx[i, 0] = weight; arrx[i, 1] = height; switch (bmi) { case var x when x < 18.0f: arry[i] = 0; break; case var x when x >= 18.0f && x <= 28.0f: arry[i] = 1; break; case var x when x > 28.0f: arry[i] = 2; break; } } return (np.array(arrx), np.array(arry)); } /// <summary> /// 消費模型 /// </summary> private void test(Model model) { int test_size = 20; for (int i = 0; i < test_size; i++) { float weight = (float)random.Next(40, 90) / 100; float height = (float)random.Next(145, 185) / 100; float bmi = (weight * 100) / (height * height); var test_x = np.array(new float[1, 2] { { weight, height } }); var pred_y = model.Apply(test_x); Console.WriteLine($"{i}:weight={(float)weight} \theight={height} \tBMI={bmi:0.0} \tPred:{pred_y[0].numpy()}"); } } }
另有兩點說明：
1、由於對圖片的讀取比較耗時，所以我採用了一個方法，就是把讀取到的資料序列化到一個二進位制檔案中，下次直接從二進位制檔案反序列化即可，大大加快處理速度。
2、我沒有采用validation圖片進行評估，只是簡單選了20個樣本測試了一下。
【相關資源】
原始碼：Git: https://gitee.com/seabluescn/tf_not.git
專案名稱：NN_MultipleClassification_MNIST