之前載入s建立個python爬蟲實戰專欄，感興趣的小夥伴可以去看看，後面遇到比較好的網站也會持續更新。現在再建立個專欄Tensorflow2。0實戰，同樣會持續更新，今天以MNIST資料集為例，進行訓練，最後用訓練的模型進行預測自己手寫的數字。

MNIST資料集包含60000用於訓練的示例和10000個用於測試的資料，影象裡面的數字位於影象的中間位置，畫素大小28*28，向下面這張圖片一樣，顯示數字9

這裡使用tensorflow2。0進行講解，安裝方法可百度。tensorflow分為CPU、GPU版本，根據自己電腦的支援版本選擇安裝，能裝GPU版本的裝GPU版本，訓練速度快。奈何由於我的筆記本顯示卡受限，只裝了CPU版本。廢話不多說，看詳細的訓練過程吧

1、首先把這麼一堆庫匯入進去，輸出tensorflow版本2。0。1

from __future__ import absolute_import， division， print_function， unicode_literals

import matplotlib as mpl

import matplotlib。pyplot as plt

%matplotlib inline

import numpy as np

import pandas as pd

import os

import sys

import time

import tensorflow as tf

from tensorflow import keras

print（tf。__version__）

print（sys。version_info）

2、載入資料集，可以選擇線上載入，也可以選在將資料集下載到本地再載入，我選擇的是下載到本地。可根據連結自行下載資料集。

連結：

https：//

pan。baidu。com/s/1cIUzGS

5MQeC9zr82Wqrukw

提取碼： 58nq

看下資料集的結構，輸出結果發現訓練集有60000張，畫素大小為28*28，並將訓練集拆分成訓練集和驗證集。前5000個數據為驗證集，後55000為訓練集。

# 下面一行是線上載入方式

# mnist = tf。keras。datasets。mnist

# 下面兩行是載入本地的資料集

datapath = r‘D：/pythonstudy/jupyter-notebook/mnist/mnist。npz’

（x_train， y_train）， （x_test， y_test） = tf。keras。datasets。mnist。load_data（datapath）

print（x_train。shape）

print（y_train。shape）

x_valid，x_train=x_train［：5000］，x_train［5000：］

y_valid，y_train=y_train［：5000］，y_train［5000：］

顯示其中的一張圖片和對應標籤

def show_signal_image（img_arr）：

plt。imshow（img_arr，cmap=‘binary’）

plt。show（）

show_signal_image（x_train［1］）

print（y_train［1］）

觀察圖片陣列結構，發現是是由0-255數字組成，注意這裡圖片白色背景顯示的是0，注意這一點，後面對自己手寫的資料預測有幫助。

3、資料預處理，由於圖片陣列顯示的是0-255，所以這裡進行了預處理標準化，這裡使用自帶的庫StandardScaler

#x=（x-u）/std

from sklearn。preprocessing import StandardScaler

scaler=StandardScaler（）

x_train_scaled=scaler。fit_transform（x_train。astype（np。float32）。reshape（-1，1））。reshape（-1，28，28）

x_valid_scaled=scaler。transform（x_valid。astype（np。float32）。reshape（-1，1））。reshape（-1，28，28）

x_test_scaled=scaler。transform（x_test。astype（np。float32）。reshape（-1，1））。reshape（-1，28，28）

4、模型搭建，由於MNIST資料集比較簡單，這裡沒有用到CNN卷積神經網路的卷積層和池化層，只進行了全連線層搭建。啟用函式選擇了relu，最佳化器選擇SGD

model=keras。models。Sequential（［

keras。layers。Flatten（input_shape=［28， 28］），

keras。layers。Dense（300， activation=‘relu’），

keras。layers。Dense（100， activation=‘relu’），

keras。layers。Dense（10， activation=‘softmax’）

］）

model。compile（optimizer=‘sgd’，

loss=‘sparse_categorical_crossentropy’，

metrics=［‘accuracy’］）

對搭建的模型進行訓練，訓練訓練集和驗證集

history=model。fit（x_train_scaled，y_train，epochs=20，

validation_data=（x_valid_scaled，y_valid））

輸出訓練結果，可以發現訓練集準確度達到了98%

再來看下測試集，準確度也達到了97。8%

model。evaluate（x_test_scaled，y_test）

5、儲存模型並預測自己手寫的數字

儲存模型為。h5檔案，並使用load_model載入

predictios=model。save（‘mnist。h5’）

predictios=keras。models。load_model（‘mnist。h5’）

自己手寫了四個數字0，2，3，8，一一進行預測

import numpy as np

from PIL import Image

from sklearn。preprocessing import StandardScaler

scaler=StandardScaler（）

im = Image。open（‘。/0。jpg’）

im=im。resize（（28，28），Image。ANTIALIAS）

L = im。convert（‘L’）

im2 = np。array（L）

im2=np。array（［255 - im2］）#這裡用255減，是因為手寫的白色背景是255，與訓練集中不一致

im3=scaler。fit_transform（im2。astype（np。float32）。reshape（-1，1））。reshape（-1，28，28）

y=predictios。predict（im3）

print（y［0］）

print（‘預測的圖片數字為：%s’%np。argmax（y［0］））

看下預測的結果

可以發現，預測的還是很準的。

歡迎評論和留言