DL_WITH_PY系统学习（第2章）

本节提示：

1、第一个dl例子；

2、tensor和tensor操作；

3、DL如何通过逆向传播和梯度下降达到学习目的。

2.1 输入数据集的格式

from keras.datasets import mnist

(train_images,train_labels),(test_images,test_labels) = mnist.load_data()

print('train_image_shape',train_images.shape)

print('train_labels_len',len(train_labels))

print('train_labels',train_labels)

train_image_shape (60000, 28, 28)

train_labels_len 60000

train_labels [5 0 4 ... 5 6 8]

2.2训练网络结构

network = models.Sequential()

network.add(layers.Dense(512,activation = 'relu',input_shape = (28*28,)))

network.add(layers.Dense(10,activation='softmax'))

layers(层）是训练网络的最基本组成部分，它读入数据，输出对于结果来说更有用的结果。

我们这里建立的层是全连接层，注意这里的input_shape用了（28*28，）这种表示方式。最后输出的结果是10选1的结果。

2.3编译模型

network.compile(optimizer='rmaprop',loss='categorical_crossentropy',metrics=['accuracy'])

下一步，为了让DL能够开始训练，我们还需要额外的3个构建：

一个损失函数(a loss function)—用于计算系统训练的准确效果；

一个优化函数(an optimizer)—用于定义优化方法；

在训练的时候的度量—一般都是acc。

2.4处理数据集

在之前的读入的数据中，图片保存在类似(60000,28,28)这样的结构中，不方便处理，这里进行转换

train_images = train_images.reshape((60000,28*28))

train_images = train_images.astype('float32')/255

test_images = test_images.reshape((10000,28*28))

test_images = test_images.astype('float32')/255

一方面是reshape，另一方面是转换成float32结构。这两个都是非常常见的操作。

2.5进行one_hot处理

from keras.utils import to_categorical

train_labels = to_categorical(train_labels)

test_labels = to_categorical(test_labels)

变成这样：

2.6 现在就尝试训练

network.fit(train_images,train_labels,epochs=5,batch_size=128)

回顾一下这里输入模型的数据

rain_images 是数量*（长*宽）

train_labes 是onehot格式。这两个部分首先要清楚。

并且进行最后的验证

test_loss,test_acc = network.evaluate(test_images,test_labels)

注意，即使是这里的这些非常简单的函数和数据，如果没有GPU的支持，也可能是需要较长时间才能够运行的。

2.7 什么是tensor

经常看见的tensor这个词，所谓tensor，就是数据的容器（a container for data)

比如

np.array(12)就是一个0D tensor

np.array([12,3,6,14])一个列表，就是一个1D tensor

np.array([12,3,6,14],

[6,79,35,1],

[7,80,4,36,2] )

一个列表的组合，就是一个2D tensor

再往上堆，就是3D tensor，也是比较好理解的

2.8 tensor的组成

主要包括3个部分

维度(rank)比如3D tensor显而易见就是3d的对应ndim

形状（shape)也就是具体填充tensor里面的具体内容对于shape

种类（data type) float32 或者 float64之类对于dtype

具体打印一个数据

import matplotlib.pyplot as plt

digit = train_images[3]

plt.imshow(digit,cmap=plt.cm.binary)

plt.show()

这里这个两次show令人印象深刻。

2.9实际情况下的图像存储

一套256*256的128 gray的图片集可以保存在(128,256,256,1)的4d tensor中；而一套同样大小的彩色图像可以保持在(128,256,256,3)的tensor中。

如果是video data,往往必须是5维数据。

来自为知笔记(Wiz)

附件列表

目前方向：图像拼接融合、图像识别联系方式：jsxyhelu@foxmail.com

DL_WITH_PY系统学习（第2章）相关推荐

DL_WITH_PY系统学习（第3章）
本节提示: 1.DL的核心构建 2.Keras的简单介绍 3.搭建DL机器训练环境 4.使用DL模型解决基础问题 3.1 DL的基本构建:layer layer的定义:以1个或多个tensor作为输入 ...
Linux系统学习第四章：文件压缩、打包与备份(二)备份与还原
一.备份:dump (1)dump -S 设备名 :显示需要备份的设备所在分区所需要的最小的容量 1 [root@localhost php]# dump -S /dev/sda2 2 471040 ...
Java I/O系统学习系列二：输入和输出
编程语言的I/O类库中常使用流这个抽象概念,它代表任何有能力产出数据的数据源对象或者是有能力接收数据的接收端对象."流"屏蔽了实际的I/O设备中处理数据的细节. 在这个系列的第一篇 ...
知乎高赞回答：是否有必要系统学习概率图模型？
概率图模型(PGM)是用图来表示变量概率依赖关系的理论.自被图灵奖获得者Pearl提出以来,已成为不确定性推理近10年的研究热点,在统计机器学习.语音识别.计算机视觉和自然语言处理等领域有广阔的理论研 ...
《Go语言圣经》学习笔记第一章 Go语言入门
Go语言圣经学习笔记第一章 Go语言入门目录 Hello, World 命令行参数查找重复的行 GIF动画获取URL 并发获取多个URL Web服务本章要点注:学习<Go语言圣经&g ...
《SysML精粹》学习记录--第九章
<SysML精粹>学习记录第九章:参数图参数图简介参数图元素小结第九章:参数图参数图简介参数图是一种独特的SysML图,它用于说明系统的约束.这些约束一般以数学模型的方式 ...
《SysML精粹》学习记录--第二章
<SysML精粹>学习记录第二章:系统建模语言概览 SysML介绍 SysML与UML SysML图概览 SysML通用图小结第二章:系统建模语言概览 SysML介绍 SysML ...
乐行学院Redis5学习教程第一章redis5的安装
乐行学院Redis5学习教程第一章redis5的安装 1.安装虚拟机 2.centeros下载 3.vmware安装centeros 4.vmware安装centeros设置IP 5.安装redis ...
《谁说菜鸟不会数据分析》学习笔记第一章总览第二章数据分析思路
网上的信息太琐碎了,根本没搞懂什么是数据分析方法什么是数据分析方法论,所以找了一本比较简单的书来系统学习一下,本来打算粗略看完,但是觉得这本书知识还是不错的,所以决定在未来一周把这本书用心学一下. 这 ...

DL_WITH_PY系统学习（第2章）

附件列表

DL_WITH_PY系统学习（第2章）相关推荐

最新文章

热门文章