Tensorflow2.0：实战：实战LeNet-5识别识别MINIST数据集数据集
LeNet-5模型模型
1990 年代提出的LeNet-5使卷积神经网络在当时成功商用，下图是 LeNet-5 的网络结构图，它接受32 × 32大小的数字、字符图片，这次将LeNet-5模型用来识别MINIST数据集中的
数字，并在测试集中计算其识别准确率。
根据上图的网络结构，可以得出下图的模型结构图：
完整代码示例完整代码示例
第一部分：数据集的加载与预处理第一部分：数据集的加载与预处理
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets # 导入经典数据集加载模块
# 加载 MNIST 数据集
(x, y), (x_test, y_test) = datasets.mnist.load_data() # 返回数组的形状
# 将数据集转换为DataSet对象，不然无法继续处理
train_db = tf.data.Dataset.from_tensor_slices((x, y))
# 将数据顺序打散
train_db = train_db.shuffle(10000) # 数字为缓冲池的大小
# 设置批训练
train_db = train_db.batch(512) # batch size 为 128
#预处理函数
def preprocess(x, y): # 输入x的shape 为[b, 32, 32], y为[b] # 将像素值标准化到 0~1区间
x = tf.cast(x, dtype=tf.float32) / 255.
# 将图片改为28*28大小的
x = tf.reshape(x, [-1, 28 * 28])
y = tf.cast(y, dtype=tf.int32) # 转成整型张量
y = tf.one_hot(y, depth=10)
return x, y
# 将数据集传入预处理函数，train_db支持map映射函数
train_db = train_db.map(preprocess)
# 训练20个epoch
train_db = train_db.repeat(20)
# 以同样的方式处理测试集
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test))
test_db = test_db.shuffle(1000).batch(512).map(preprocess)
第二部分：构建第二部分：构建LeNet-5模型模型
from tensorflow.keras import Sequential
from tensorflow.keras import layers,losses, optimizers
def main():
network = Sequential([
layers.Conv2D(6, kernel_size=3, strides=1), # 第一个卷积层, 6 个 3x3 卷积核
layers.MaxPooling2D(pool_size=2, strides=2), # 高宽各减半的池化层
layers.ReLU(), # 激活函数
layers.Conv2D(16, kernel_size=3, strides=1), # 第二个卷积层, 16 个 3x3 卷积核
layers.MaxPooling2D(pool_size=2, strides=2), # 高宽各减半的池化层
layers.ReLU(), # 激活函数
layers.Flatten(), # 打平层，形成一维向量，方便全连接层处理
layers.Dense(120, activation='relu'), # 全连接层， 120 个节点
layers.Dense(84, activation='relu'), # 全连接层， 84 节点
layers.Dense(10) # 全连接层， 10 个节点
])
# 构建网络模型，给输入X的形状，其中4为随意的BatchSize
network.build(input_shape=(4, 28, 28, 1))
# 统计网络信息
# print(network.summary())
optimizer = optimizers.Adam(lr=1e-4)
loss_all = [] # 创建损失函数的类，在实际计算时直接调用类实例即可
criteon = losses.CategoricalCrossentropy(from_logits=True)
for step, (x, y) in enumerate(train_db):
# 将输入张量x的shape[512.784]变成[
x = tf.reshape(x, (-1, 28, 28))
with tf.GradientTape() as tape:
# 插入通道维度，=>[b,28,28,1] x = tf.expand_dims(x, axis=3)
# 前向计算，获得10类别的预测分布，[b, 784] => [b, 10] out = network(x)
# 将真实标签转化为one-hot编码，[b] => [b, 10] # 计算交叉熵损失函数，标量
loss = criteon(y, out)
# 自动计算梯度，关键看如何表示待优化变量
weixin_38666232
- 粉丝: 3
- 资源: 923
最新资源
- COMSOL GIS中金属微粒运动模拟仿真：考虑粒子碰撞管壁电荷极性反转与GIL带电粒子追踪.pdf
- Comsol K空间中远程偏振态、能带复现与19年PRL的对比研究.pdf
- COMSOL LAMB波损伤检测与频散曲线.pdf
- COMSOL LFP磷酸铁锂电池一维P2D模型在0.5C、1C、1.5C倍率下的充放电测试及阻抗输出.pdf
- Comsol Mie米氏散射与多极子分解仿真：单个散射体与超表面周期性结构多极子解析案例合集.pdf
- COMSOL MATLAB 代码：2维随机裂隙生成.pdf
- 人道主义行动中人工智能的运用：尊重人权与伦理框架的构建
- COMSOL Multiphysics：模拟水注入岩石过程中岩石损伤与裂缝产生的关键工具.pdf
- COMSOL Multiphysics：裂隙传热数值模拟与探针解析验证的模型特色.pdf
- COMSOL Multiphysics模型：粗糙裂隙分形与matlab数值案例特色视频及代码.pdf
- COMSOL Multiphysics模型简介：水驱油数值模拟与pde方法设置特色案例.pdf
- COMSOL Multiphysics模型简介：压裂水平井抽采案例及特色.pdf
- COMSOL Multiphysics模型简介：负压抽采瓦斯数值模拟研究及模型特色.pdf
- COMSOL Multiphysics模型简介：钻孔在不同边界应力下的损伤研究及特色.pdf
- Comsol Multiphysics数值模拟.pdf
- COMSOL Multiphysics模型简介及案例：'数值模拟'程序代码，二维三维的matlab与comsol特色.pdf
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论4