mnist手写数字识别

​

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。各位小伙伴，如果您：
想系统/深入学习某技术知识点…
一个人摸索学习很难坚持，想组团高效学习…
想写博客但无从下手，急需写作干货注入能量…
热爱写作，愿意让自己成为更好的人…

创作计划

**
1，机缘

A，分享mnist手写数字识别案例
B，分享遇到的问题解决方式
C，通过文章进行技术交流

2，收获

A，获得了10粉丝的关注
B，获得了20如赞、阅读量
C，认识和了解了mnist手写数字识别的作者

3，日常

1. 创作是否已经成为我学习的一部分了
2. 有限的时间下，抽出星期二、四、六的时间进行创作，其余时间学习

4，憧憬

创作规划是熟悉TensorFlow的基本语法，测试方法，模型调优

**

学习计划

**
1，学习目标

掌握 TensorFlow运行机器学习模型的方法，了解数据集的构成和卷积神经网络的结构。

2，学习内容

A，搭建 TensorFlow 开发环境
B，掌握 TensorFlow基本语法
C，掌握机器学习模型的构成和数据集的结构

3，学习时间

周一至周五晚上 7 点—晚上9点
周六下午 7 点-下午 9 点
周日下午 7 点-下午 9 点

4，学习产出

技术笔记 10 遍
CSDN技术博客 5 篇
学习的vlog 视频 2个

**

学习日记

**
1，学习知识点

神经网络程序的流程

2，学习遇到的问题

数据归一化、损失函数和优化器的选择

3，学习的收获

学会了神经网络程序的基本流程

4，实操

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np


(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 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 / 255.0
print(train_images.shape,test_images.shape,train_labels.shape,test_labels.shape)
plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(5,4,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(train_labels[i])
plt.show()

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

print(train_images.shape,test_images.shape,train_labels.shape,test_labels.shape)

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),  # 卷积层
    layers.MaxPooling2D((2, 2)),  # 池化层1
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层
    layers.MaxPooling2D((2, 2)),  # 池化层

    layers.Flatten(),  # Flatten层
    layers.Dense(64, activation='relu'),  # 全连接层
    layers.Dense(10)  # 输出层
])
# 打印网络结构
model.summary()

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

history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))
test_loss, test_acc=model.evaluate(test_images,  test_labels)
print(test_loss,test_acc)
#附加一个 softmax 层，将 logits 转换成更容易理解的概率
probability_model = tf.keras.Sequential([model,
                                         tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
print(predictions[5])#输出10个概率值
print('查看第0个预测值：',np.argmax(predictions[5]))#返回最大值对应的索引
print('真实值：',test_labels[5])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

输出：0.03543371707201004 0.9912999868392944
[4.91323336e-11 9.99999881e-01 5.80148169e-12 1.51072036e-14
8.19891355e-08 1.01238275e-10 1.01550857e-09 1.59300317e-09
1.34930056e-09 1.17530541e-10]
查看第0个预测值： 1
真实值： 1
分析：
可以看出模型预测准确率为99%，错误率为3.5%，第5个样本的为1的概率为0.99
预测值为1，预测正确。