泉港做网站公司,商城app开发费用多少,怀化网站网站建设,node.js 打开wordpressLeNet-5 是经典卷积神经网络之一#xff0c;1998 年由 Yann LeCun 等人在论文 《Gradient-Based Learning Applied to Document Recognition》中提出。LeNet-5 网络使用了卷积层、池化层和全连接层#xff0c;实现可以应用于手写体识别的卷积神经网络。TensorFlow 内置了 MNI… LeNet-5 是经典卷积神经网络之一1998 年由 Yann LeCun 等人在论文 《Gradient-Based Learning Applied to Document Recognition》中提出。LeNet-5 网络使用了卷积层、池化层和全连接层实现可以应用于手写体识别的卷积神经网络。TensorFlow 内置了 MNIST 手写体数据集可以很方便地读取数据集并应用于后续的模型训练过程中。本文主要记录了如何使用 TensorFlow 2.0 实现 MNIST 手写体识别模型。 目录
1 数据集准备
2 模型建立
3 模型训练 1 数据集准备 TensorFlow 内置了 MNIST 手写体数据集安装 TensorFlow 之后使用如下代码就可以加载 MNIST 数据集
import tensorflow as tfmnist tf.keras.datasets.mnist
(train_x, train_y), (test_x, test_y) mnist.load_data() 使用 Matplotlib 查看前 25 张图片并打印对应的标签。
from matplotlib import pyplot as plt# 查看训练集
plt.figure(figsize(3,3))
for i in range(25):plt.subplot(5,5,i1)plt.imshow(train_x[i], cmapplt.cm.binary)plt.xticks([])plt.yticks([])
plt.show() 接着使用 tf.one_hot() 函数对图像的标签进行独热码编码。
# 预处理
train_y tf.one_hot(train_y, depth10)
test_y tf.one_hot(test_y, depth10) 2 模型建立 MNIST 手写体数据集中每张图像的大小是 28 × 28 × 1按照 LeNet-5 模型的思路构建卷积神经网络模型。选择 5 × 5 的卷积核卷积层之后是 2 × 2 的平均池化激活函数选择 sigmoid除了最后一层。 # the first layer can receive an input_shape argument
model tf.keras.models.Sequential([tf.keras.layers.Conv2D(filters6,kernel_size5,paddingvalid,activationsigmoid,input_shape(28,28,1)),tf.keras.layers.AveragePooling2D(pool_size(2,2),strides2,paddingvalid),tf.keras.layers.Conv2D(filters16,kernel_size5,paddingvalid,activationsigmoid),tf.keras.layers.AveragePooling2D(pool_size(2,2),strides2,paddingvalid),tf.keras.layers.Flatten(),tf.keras.layers.Dense(120,activationsigmoid),tf.keras.layers.Dense(84,activationsigmoid),tf.keras.layers.Dense(10,activationsoftmax)
]) 使用 model.summary() 查看模型信息。
model.summary()
Model: sequential _________________________________________________________________ Layer (type) Output Shape Param # conv2d (Conv2D) (None, 24, 24, 6) 156 average_pooling2d (AverageP (None, 12, 12, 6) 0 ooling2D) conv2d_1 (Conv2D) (None, 8, 8, 16) 2416 average_pooling2d_1 (Averag (None, 4, 4, 16) 0 ePooling2D) flatten (Flatten) (None, 256) 0 dense (Dense) (None, 120) 30840 dense_1 (Dense) (None, 84) 10164 dense_2 (Dense) (None, 10) 850 Total params: 44,426 Trainable params: 44,426 Non-trainable params: 0 _________________________________________________________________ 3 模型训练 使用 compile() 函数配置模型优化算法为 Adam 算法学习率为 0.001损失函数为交叉熵损失函数。
# 模型配置
model.compile(optimizertf.keras.optimizer.Adam(learning_rate1e-3),losstf.keras.losses.CategoricalCrossentropy(),metrics[accuracy]
)# 模型训练
model.fit(xtrain_x,ytrain_y,validation_split0.0,epochs10
) Epoch 1/10 1875/1875 [] - 72s 38ms/step - loss: 0.5806 - accuracy: 0.8206 Epoch 2/10 1875/1875 [] - 70s 37ms/step - loss: 0.1254 - accuracy: 0.9620 Epoch 3/10 1875/1875 [] - 75s 40ms/step - loss: 0.0870 - accuracy: 0.9735 Epoch 4/10 1875/1875 [] - 82s 43ms/step - loss: 0.0699 - accuracy: 0.9785 Epoch 5/10 1875/1875 [] - 69s 37ms/step - loss: 0.0604 - accuracy: 0.9809 Epoch 6/10 1875/1875 [] - 68s 36ms/step - loss: 0.0530 - accuracy: 0.9833 Epoch 7/10 1875/1875 [] - 72s 38ms/step - loss: 0.0477 - accuracy: 0.9854 Epoch 8/10 1875/1875 [] - 70s 38ms/step - loss: 0.0436 - accuracy: 0.9863 Epoch 9/10 1875/1875 [] - 70s 37ms/step - loss: 0.0399 - accuracy: 0.9873 Epoch 10/10 1875/1875 [] - 68s 36ms/step - loss: 0.0357 - accuracy: 0.9883 keras.callbacks.History at 0x20a56b65660
