深度学习训练营

• 原文链接
• 环境介绍
• 前置工作
• • 设置GPU
• 导入数据
• 归一化操作
• 图片可视化
• 构建CNN网络
• 进行编译
• 模型训练
• 结果可视化
• • 图片展示
  • 对图片的内容进行辨别
• 模型的精度评估

原文链接

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍦 参考文章：365天深度学习训练营-第P1周：实现mnist手写数字识别
• 🍖 原作者：K同学啊|接辅导、项目定制

环境介绍

• 语言环境：Python3.9.13
• 编译器：jupyter notebook
• 深度学习环境：TensorFlow2

前置工作

设置GPU

因为本次实验的数据量过大,所有设置多个GPU很有必要

# K同学啊深度学习练习
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],"GPU")

导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

数据量比较大,下载的时间会比较长

归一化操作

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

图片可视化

对于图片的分类进行命名

[‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’,‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’]

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']plt.figure(figsize=(20,10))
for i in range(20):plt.subplot(5,10,i+1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i], cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i][0]])
plt.show()

构建CNN网络

#设置CNN网络
model = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), #卷积层1，卷积核3*3layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3layers.Flatten(),                      #Flatten层，连接卷积层与全连接层layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取layers.Dense(10)                       #输出层，输出预期结果
])model.summary()  # 打印网络结构

进行编译

进行编译操作

#进行编译
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])

模型训练

epoch设置为10,实现提高精度

#对模型进行训练
history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

结果可视化

图片展示

#图片显示
plt.imshow(test_images[3])

对图片的内容进行辨别

import numpy as nppre = model.predict(test_images)
print(class_names[np.argmax(pre[3])])

模型的精度评估

#模型评估
import matplotlib.pyplot as pltplt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

计算结果

print(test_acc)#打印结果