基于深度学习人工神经网络的数字识别功能实现

import tensorflow as tf # 载入数据集 mnist = tf.keras.datasets.mnist # 训练集数据 x_train 的数据形状为（60000，28，28） # 训练集标签 y_train 的数据形状为（60000） # 测试集数据 x_test 的数据形状为（10000，28，28） # 测试集标签 y_test 的数据形状为（10000） (x_train, y_train), (x_test, y_test) = mnist.load_data() # 对训练集和测试集的数据进行归一化处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 把训练集和测试集的标签转为独热编码 # tf.keras.utils.to_categorical y_train = tf.keras.utils.to_categorical(y_train,num_classes=10) y_test = tf.keras.utils.to_categorical(y_test,num_classes=10) # 创建 <<dataset 对象>>，使用 dataset 对象来管理数据 mnist_train = tf.data.Dataset.from_tensor_slices((x_train, y_train)) # 训练周期设置为 1（把所有训练集数据训练一次称为训练一个周期） mnist_train = mnist_train.repeat(1) # 批次大小设置为 32（每次训练模型传入 32 个数据进行训练） mnist_train = mnist_train.batch(32) # 创建 dataset 对象，使用 dataset 对象来管理数据 mnist_test = tf.data.Dataset.from_tensor_slices((x_test, y_test)) # 训练周期设置为 1（把所有训练集数据训练一次称为训练一个周期） mnist_test = mnist_test.repeat(1) # 批次大小设置为 32（每次训练模型传入 32 个数据进行训练） mnist_test = mnist_test.batch(32) /* 开发不易，整理也不易，如需要详细的说明文档和程序，以及完整的数据集，训练好的模型，或者进一步开发， 可加作者新联系方式咨询，WX：Q3101759565，QQ：3101759565 */ # 计算平均值 test_loss = tf.keras.metrics.Mean(name='test_loss') # 测试准确率计算 test_accuracy = tf.keras.metrics.CategoricalAccuracy(name='test_accuracy') # @tf.function 装饰器来将 python 代码转成 tensorflow 的图表示代码，用于加速 # 代码运行速度 @tf.function def train_step(data, label): with tf.GradientTape() as tape: # predictions： dim: 10 predictions = model(data) # label 需要转换为10 dims loss = tf.keras.losses.MSE(label, predictions) # 传入 loss 和模型参数，计算权值调整 gradients = tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(gradients, model.trainable_variables)) train_loss(loss) train_accuracy(label, predictions) @tf.function def test_step(data, label): predictions = model(data) t_loss = tf.keras.losses.MSE(label, predictions) test_loss(t_loss) test_accuracy(label, predictions) # 训练 10 个周期（把所有训练集数据训练一次称为训练一个周期） EPOCHS = 10 for epoch in range(EPOCHS): # mnist_train: dataset 对象 (x_train, y_train) # y_train： one-hot coding # mnist_train = mnist_train.repeat(1) # mnist_train = mnist_train.batch(32) for image, label in mnist_train: # 执行训练集循环 60000/32=1875 次 完成一个周期的训练 # 每次是一个batch的数据 也就是32 train_step(image, label) # mnist_test dataset对象 # 运行1次 1个batch for test_image, test_label in mnist_test: test_step(test_image, test_label) # 打印结果 template = 'Epoch {}, Loss: {:.3}, Accuracy: {:.3}, Test Loss: {:.3}, Test Accuracy: {:.3}' # print(template.format(epoch + 1, train_loss.result(), train_accuracy.result(), test_loss.result(), test_accuracy.result()))