有域名后续怎么做网站,官方网站英语,中国数控机床网,深圳制作网站建设的企业Hi, I’m Shendi 1、目标检测入门体验#xff0c;技术选型#xff0c;加载数据集、构建机器学习模型、训练并评估 在最近有了个物体识别的需求#xff0c;于是开始学习
在一番比较与询问后#xff0c;最终选择 TensorFlow。
对于编程语言#xff0c;我比较偏向Java或nod…
Hi, I’m Shendi 1、目标检测入门体验技术选型加载数据集、构建机器学习模型、训练并评估 在最近有了个物体识别的需求于是开始学习
在一番比较与询问后最终选择 TensorFlow。
对于编程语言我比较偏向Java或nodejs的而TensorFlow这两者都是支持的但是我看了下Java的API标记了一个D…弃用的标识而nodejs经过询问说不定有些功能可能没有语言只是工具所以最终还是选择了首选的Python 前置准备
因为使用python在开始前需要安装Python与pip
可以参考这篇文章 Pythonpip下载与安装 https://sdpro.top/blog/html/article/1207.html
需要注意的是对Python版本是有要求的我因为版本过高无法安装TensorFlow可以在下面链接查看版本要求
https://tensorflow.google.cn/install/pip?hlzh-cn#system-install 否则会出现下面这样的问题 这是 TensorFlow 官网https://www.tensorflow.org/
官网的初学者快速入门教程https://www.tensorflow.org/tutorials/quickstart/beginner 使用 pip 安装 TensorFlow
使用以下命令安装
pip3 install tensorflow我使用了阿里云的镜像需要增加额外参数信任此地址才能继续 等待下载完成就可以直接使用了 入门
这里通过官网的初学者 TensorFlow 2.0教程入门
初学者的 TensorFlow 2.0 教程 对于啥也不懂的我来说确实有点难以…
主要是其中的代码讲述的大概不够清晰不知道结果是什么样。通过查阅资料以及询问 GPT总算是ok了 就分那么几步
第一步导入 TensorFlow
import tensorflow as tf第二步加载数据集
关于这个数据集我是懵逼的官网就三行代码也没有什么描述但是有个链接点进去全英文
标题翻译过来是这样的MNIST数据库的手写数字
根据询问gpt的确是这样的
官方的描述与代码 加载并准备 MNIST 数据集。将样本数据从整数转换为浮点数 mnist tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) mnist.load_data()
x_train, x_test x_train / 255.0, x_test / 255.0这样不知道数据集到底是什么所以我通过询问GPT得知了显示数据集的方法直接显示报错所以保存成图片的方式来显示
需要安装 matplotlib 库
pip install matplotlib然后在代码导入
import matplotlib.pyplot as plt在加载完数据集后插入这样的代码将数据集的几张图片保存
# 可视化前几个训练集样本的图像并保存为文件
for i in range(5): # 查看前五个样本print(标签:, y_train[i])plt.imshow(x_train[i], cmapgray)plt.savefig(fimage_{i}.png) # 将图像保存为文件plt.close() # 关闭当前图像准备绘制下一张图像运行后可以在当前文件的上级文件夹看到对应的图片了是手写数字图 第三步构建机器学习模型
这里直接复制官网的代码据可以了毕竟刚学重要的是体验
通过堆叠层来构建 tf.keras.Sequential 模型。
model tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape(28, 28)),tf.keras.layers.Dense(128, activationrelu),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10)
])
对于每个样本模型都会返回一个包含 logits 或 log-odds 分数的向量每个类一个。 在深度学习的分类问题中模型通常最后一层输出的是一个包含每个类别得分的向量这些得分被称为 logits 或 log-odds 分数。Logits 不是直接的概率值它们表示模型对每个类别的置信程度或分数。 举例来说如果你的模型对手写数字进行分类输出层可能会生成一个包含 10 个元素的向量对应着数字 0 到 9。这个向量中的每个元素都代表了模型认为图像属于对应数字的得分比如对于数字 3 的 logits 可能是 6.2对于数字 7 可能是 3.1而对于数字 1 可能是 1.5 等等。 predictions model(x_train[:1]).numpy()
predictions上面可以使用 print 将 predictions 打印查看是一个数组 这行代码是在使用训练好的模型对输入数据进行预测其中 x_train[:1] 表示取训练集中的第一个样本在 TensorFlow 中通常使用的索引是从 0 开始的。 model(x_train[:1]) 这部分代码是将训练好的模型应用在第一个训练样本上得到模型的预测结果。预测结果是一个包含每个类别的 logits或 log-odds 分数的向量。 通过 .numpy() 方法将 TensorFlow 的张量对象转换为 NumPy 数组以便查看预测结果。 这个操作对于初步了解模型在单个样本上的预测结果非常有用。这样可以看到模型对于这个特定样本的预测结果了解模型的输出结构以及 logits 的分布情况。 tf.nn.softmax 函数将这些 logits 转换为每个类的概率
tf.nn.softmax(predictions).numpy()这行代码使用了 TensorFlow 中的 tf.nn.softmax() 函数对模型的预测结果 predictions 进行 softmax 处理将其转换为概率分布。 具体来说tf.nn.softmax(predictions) 将 logits或 log-odds 分数转换为对应的概率分布这些概率表示模型对每个类别的预测概率。 通过 .numpy() 方法将 TensorFlow 的张量对象转换为 NumPy 数组以便查看预测结果。这样处理后你将得到每个类别的概率分布可以看到模型对于这个特定样本每个类别的预测概率值。 使用 losses.SparseCategoricalCrossentropy 为训练定义损失函数它会接受 logits 向量和 True 索引并为每个样本返回一个标量损失。
loss_fn tf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue)此损失等于 true 类的负对数概率如果模型确定类正确则损失为零。
这个未经训练的模型给出的概率接近随机每个类为 1/10因此初始损失应该接近 -tf.math.log(1/10) ~ 2.3。
loss_fn(y_train[:1], predictions).numpy()可以通过 print 打印上面的执行结果 在开始训练之前使用 Keras Model.compile 配置和编译模型。将 optimizer 类设置为 adam将 loss 设置为您之前定义的 loss_fn 函数并通过将 metrics 参数设置为 accuracy 来指定要为模型评估的指标。
model.compile(optimizeradam,lossloss_fn,metrics[accuracy])第四步训练并评估模型
使用 Model.fit 方法调整您的模型参数并最小化损失
model.fit(x_train, y_train, epochs5)Model.evaluate 方法通常在 “Validation-set” 或 “Test-set” 上检查模型性能。
model.evaluate(x_test, y_test, verbose2)可以将上面的结果通过 print 打印是一个数组有两个值 第一个值 0.0753958597779274 是模型在测试集上的损失值。这个值表示模型在测试数据集上的平均损失程度即模型在预测过程中与真实标签的差异程度。第二个值 0.9778000116348267 是模型在测试集上的准确率或其他指定的评估指标。在分类问题中通常使用准确率来衡量模型的性能它表示模型在测试集上正确预测的样本比例。
这两个值分别展示了模型在测试数据集上的损失程度和整体性能。较低的损失值和较高的准确率通常意味着模型在这个测试数据集上表现良好。 如果您想让模型返回概率可以封装经过训练的模型并将 softmax 附加到该模型
probability_model tf.keras.Sequential([model,tf.keras.layers.Softmax()
])probability_model(x_test[:5])到这里就算是体验了下吧下节将这个模型尝试使用看看能不能识别出数字 结论
恭喜您已经利用 Keras API 借助预构建数据集训练了一个机器学习模型。
有关使用 Keras 的更多示例请查阅教程。要详细了解如何使用 Keras 构建模型请阅读指南。如果您想详细了解如何加载和准备数据请参阅有关图像数据加载或 CSV 数据加载的教程。 END
