慕课：《深度学习应用开发-TensorFlow实践》
章节：第八讲 MNIST手写数字识别进阶：多层神经网络与应用
TensorFlow版本为2.3
本章中有许多地方和之前一样，不知道的可以去看：MNIST手写数字识别：分类应用入门（实践篇）

全连接单隐藏层网络

数据载入

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
tf.__version__
mnist=tf.keras.datasets.mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()

这一部分和之前一样，不再重复了

数据集划分及数据归一化

这一部分也和之前一样，同样不再重复

total_num=len(train_images)
valid_split=0.2# 验证集占20%
train_num=int(total_num*(1-valid_split))train_x=train_images[:train_num]
train_y=train_labels[:train_num]valid_x=train_images[train_num:]
valid_y=train_labels[train_num:]test_x=test_images
test_y=test_labelstrain_x=train_x.reshape(-1,784)
valid_x=valid_x.reshape(-1,784)
test_x=test_x.reshape(-1,784)train_x=tf.cast(train_x/255.0,tf.float32)
valid_x=tf.cast(valid_x/255.0,tf.float32)
test_x=tf.cast(test_x/255.0,tf.float32)

独热编码

同样和之前一样，不重复

train_y=tf.one_hot(train_y,depth=10)
valid_y=tf.one_hot(valid_y,depth=10)
test_y=tf.one_hot(test_y,depth=10)

构建模型

先来看看我们要构建的模型

这个网络相较于之前做的那个多了个隐藏层，这里面的b，是我们所加上的偏置项，接下来我们来实现它

创建待优化变量

#定义第一层隐藏层权重和偏置项变量
Input_Dim=784
H1_NN=64
W1=tf.Variable(tf.random.normal([Input_Dim,H1_NN],mean=0.0,stddev=1.0,dtype=tf.float32))
B1=tf.Variable(tf.zeros([H1_NN]),dtype=tf.float32)#定义输出层权重和偏置项变量
Output_Dim=10
W2=tf.Variable(tf.random.normal([H1_NN,Output_Dim],mean=0.0,stddev=1.0,dtype=tf.float32))
B2=tf.Variable(tf.zeros([Output_Dim]),dtype=tf.float32)#建立待优化变量列表
W=[W1,W2]
B=[B1,B2]

定义模型前向计算

def model(x,w,b):x=tf.matmul(x,w[0])+b[0]x=tf.nn.relu(x)x=tf.matmul(x,w[1])+b[1]pred=tf.nn.softmax(x)return pred

定义损失函数

我们所使用的是交叉熵的损失函数，并且直接调用TensorFlow提供的交叉熵函数，也就不用自己再写了

def loss(x,y,w,b):pred=model(x,w,b)loss_=tf.keras.losses.categorical_crossentropy(y_true=y,y_pred=pred)return tf.reduce_mean(loss_)

定义梯度计算函数

def grad(x,y,w,b):var_list=w+bwith tf.GradientTape() as tape:loss_=loss(x,y,w,b)return tape.gradient(loss_,var_list)

定义准确率

def accuracy(x,y,w,b):pred=model(x,w,b)correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))return tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

设置训练参数及优化器

training_epochs=20
batch_size=50
lr=0.01optimizer=tf.keras.optimizers.Adam(learning_rate=lr)

模型训练

total_step=int(train_num/batch_size)
loss_list_train=[]#train loss
loss_list_valid=[]
acc_list_train=[]#train loss
acc_list_valid=[]for epoch in range(training_epochs):for step in range(total_step):xs=train_x[step*batch_size:(step+1)*batch_size,:]ys=train_y[step*batch_size:(step+1)*batch_size]grads=grad(xs,ys,W,B)#计算梯度optimizer.apply_gradients(zip(grads,W+B))#优化器调参loss_train=loss(train_x,train_y,W,B).numpy()loss_valid=loss(valid_x,valid_y,W,B).numpy()acc_train=accuracy(train_x,train_y,W,B).numpy()acc_vaild=accuracy(valid_x,valid_y,W,B).numpy()loss_list_train.append(loss_train)loss_list_valid.append(loss_valid)acc_list_train.append(acc_train)acc_list_valid.append(acc_vaild)print(f"epoch={epoch+1},train_loss={loss_train},valid_loss={loss_valid},train_accuracy={acc_train},valid_accuracy={acc_vaild}")

从打印结果可以看到，损失值loss是趋于更小的，同时，准确率越来越高

多隐藏层网络

那么，假如我们要实现多隐藏层的网络，要如何实现呢？比如实现下面这个网络

我们只需要在上面的模型中改变一部分就可以了

创建变量

#定义第一层隐藏层权重和偏置项变量
Input_Dim=784
H1_NN=64
W1=tf.Variable(tf.random.normal([Input_Dim,H1_NN],mean=0.0,stddev=1.0,dtype=tf.float32))
B1=tf.Variable(tf.zeros([H1_NN]),dtype=tf.float32)
#定义第二层隐藏层权重和偏置项变量
H2_NN=32
W2=tf.Variable(tf.random.normal([H1_NN,H2_NN],mean=0.0,stddev=1.0,dtype=tf.float32))
B2=tf.Variable(tf.zeros([H2_NN]),dtype=tf.float32)
#定义输出层权重和偏置项变量
Output_Dim=10
W3=tf.Variable(tf.random.normal([H2_NN,Output_Dim],mean=0.0,stddev=1.0,dtype=tf.float32))
B3=tf.Variable(tf.zeros([Output_Dim]),dtype=tf.float32)
#建立待优化变量列表
W=[W1,W2,W3]
B=[B1,B2,B3]

构建模型

也就是加上一层

def model(x,w,b):x=tf.matmul(x,w[0])+b[0]x=tf.nn.relu(x)x=tf.matmul(x,w[1])+b[1]x=tf.nn.relu(x)x=tf.matmul(x,w[2])+b[2]pred=tf.nn.softmax(x)return pred

其他部分也就没有其他区别了，还是放一下完整的代码

完整代码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
tf.__version__mnist=tf.keras.datasets.mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()total_num=len(train_images)
valid_split=0.2# 验证集占20%
train_num=int(total_num*(1-valid_split))train_x=train_images[:train_num]
train_y=train_labels[:train_num]valid_x=train_images[train_num:]
valid_y=train_labels[train_num:]test_x=test_images
test_y=test_labelstrain_x=train_x.reshape(-1,784)
valid_x=valid_x.reshape(-1,784)
test_x=test_x.reshape(-1,784)train_x=tf.cast(train_x/255.0,tf.float32)
valid_x=tf.cast(valid_x/255.0,tf.float32)
test_x=tf.cast(test_x/255.0,tf.float32)train_y=tf.one_hot(train_y,depth=10)
valid_y=tf.one_hot(valid_y,depth=10)
test_y=tf.one_hot(test_y,depth=10)#定义第一层隐藏层权重和偏置项变量
Input_Dim=784
H1_NN=64
W1=tf.Variable(tf.random.normal([Input_Dim,H1_NN],mean=0.0,stddev=1.0,dtype=tf.float32))
B1=tf.Variable(tf.zeros([H1_NN]),dtype=tf.float32)#定义第二层隐藏层权重和偏置项变量
H2_NN=32
W2=tf.Variable(tf.random.normal([H1_NN,H2_NN],mean=0.0,stddev=1.0,dtype=tf.float32))
B2=tf.Variable(tf.zeros([H2_NN]),dtype=tf.float32)#定义输出层权重和偏置项变量
Output_Dim=10
W3=tf.Variable(tf.random.normal([H2_NN,Output_Dim],mean=0.0,stddev=1.0,dtype=tf.float32))
B3=tf.Variable(tf.zeros([Output_Dim]),dtype=tf.float32)#建立待优化变量列表
W=[W1,W2,W3]
B=[B1,B2,B3]def model(x,w,b):x=tf.matmul(x,w[0])+b[0]x=tf.nn.relu(x)x=tf.matmul(x,w[1])+b[1]x=tf.nn.relu(x)x=tf.matmul(x,w[2])+b[2]pred=tf.nn.softmax(x)return preddef loss(x,y,w,b):pred=model(x,w,b)loss_=tf.keras.losses.categorical_crossentropy(y_true=y,y_pred=pred)return tf.reduce_mean(loss_)def grad(x,y,w,b):var_list=w+bwith tf.GradientTape() as tape:loss_=loss(x,y,w,b)return tape.gradient(loss_,var_list)def accuracy(x,y,w,b):pred=model(x,w,b)correct_prediction=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))return tf.reduce_mean(tf.cast(correct_prediction,tf.float32))training_epochs=20
batch_size=50
lr=0.01optimizer=tf.keras.optimizers.Adam(learning_rate=lr)total_step=int(train_num/batch_size)
loss_list_train=[]#train loss
loss_list_valid=[]
acc_list_train=[]#train loss
acc_list_valid=[]for epoch in range(training_epochs):for step in range(total_step):xs=train_x[step*batch_size:(step+1)*batch_size,:]ys=train_y[step*batch_size:(step+1)*batch_size]grads=grad(xs,ys,W,B)#计算梯度optimizer.apply_gradients(zip(grads,W+B))#优化器调参loss_train=loss(train_x,train_y,W,B).numpy()loss_valid=loss(valid_x,valid_y,W,B).numpy()acc_train=accuracy(train_x,train_y,W,B).numpy()acc_vaild=accuracy(valid_x,valid_y,W,B).numpy()loss_list_train.append(loss_train)loss_list_valid.append(loss_valid)acc_list_train.append(acc_train)acc_list_valid.append(acc_vaild)print(f"epoch={epoch+1},train_loss={loss_train},valid_loss={loss_valid},train_accuracy={acc_train},valid_accuracy={acc_vaild}")

下面是训练的结果

如果想要更多层的神经网络，和上面的差不多，直接网上加就好了。
然而，也看到了，假设你要加10个隐藏层，你就要写十遍…enmm，好像比较麻烦。
事实上，在TensorFlow2.0中，更加提倡的做法是使用Keras来建模

使用Keras序列模型建模

用Keras建模相当于是做一个汉堡，构建模型就是不断在上面叠加已经封装好的层就行了

Keras序列模型建模的一般步骤

采用Keras序列模型进行建模与训练过程一般分为六个步骤：
（1）创建一个Sequential模型；
（2）根据需要，通过“add()”方法在模型中添加所需要的神经网络层，
完成模型构建；
（3）编译模型，通过“compile()”定义模型的训练模式；
（4）训练模型，通过“fit()”方法进行训练模型；
（5）评估模型，通过“evaluate()”进行模型评估；
（6）应用模型，通过“predict()”进行模型预测。

用Keras训练MNIST手写数字识别

常规操作

值得注意的是，这里我们不再去划分验证集了，因为在之后用Keras建模的时候，有更方便的方法去完成这一件事情

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
tf.__version__mnist=tf.keras.datasets.mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()train_images=train_images/255.0
test_images=test_images/255.0train_labels_ohe=tf.one_hot(train_labels,depth=10).numpy()
test_labels_ohe=tf.one_hot(test_labels,depth=10).numpy()

构建模型

来看看我们的目标模型，这是一个64的隐藏层+32的隐藏层的双隐藏层模型。

接下来去构建我们的这个模型

#建立Sequential线性堆叠模型
model=tf.keras.models.Sequential()
# 添加平坦层（输入层）
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
#添加隐藏层（这里是两个全连接层）
model.add(tf.keras.layers.Dense(units=64,kernel_initializer='normal',activation='relu'))
model.add(tf.keras.layers.Dense(units=32,kernel_initializer='normal',activation='relu'))
#添加输出层
model.add(tf.keras.layers.Dense(10,activation='softmax'))
#输出模型摘要
model.summary()

定义训练模式

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

tf.keras.Model.compile 接受 3 个重要的参数：

• optimizer ：优化器，可从 tf.keras.optimizers 中选择；
• loss ：损失函数，可从 tf.keras.losses 中选择；
• metrics ：评估指标，可从 tf.keras.metrics 中选择。

设置训练参数

train_epochs=10
batch_size=30

训练模型

train_history=model.fit(train_images,train_labels_ohe,validation_split=0.2,epochs=train_epochs,batch_size=batch_size,verbose=2)

tf.keras.Model.fit()常见参数：

• x ：训练数据；
• y ：目标数据（数据标签）；
• epochs ：将训练数据迭代多少遍；
• batch_size ：批次的大小；
• validation_data ：验证数据，可用于在训练过程中监控模型的性能。
• verbose：训练过程的日志信息显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录。

我们还可以通过train_history.history来获取训练过程中的一些指标数据。
history是一个字典类型数据，包含了4个Key：loss、accuracy、val_loss和val_accuracy，分别表示训练集上的损失、准确率和验证集上的损失和准确率。它们的值都是一个列表，记录了每个周期该指标的具体数值。比如本例子的输出就是：

{'loss': [0.36542361974716187,0.16213099658489227,0.11819229274988174,0.09180226922035217,0.07720495760440826,0.06569258868694305,0.05359013006091118,0.04583737626671791,0.03984333202242851,0.0345105342566967],'accuracy': [0.8956249952316284,0.9523333311080933,0.9642083048820496,0.9711666703224182,0.9759166836738586,0.979520857334137,0.9833124876022339,0.9855208396911621,0.9870625138282776,0.9889166951179504],'val_loss': [0.19308912754058838,0.15329642593860626,0.12567788362503052,0.11830687522888184,0.10141497850418091,0.11186043173074722,0.10655724257230759,0.10808669775724411,0.10833317041397095,0.12016895413398743],'val_accuracy': [0.9438333511352539,0.952833354473114,0.9645000100135803,0.9646666646003723,0.9710833430290222,0.9669166803359985,0.9715833067893982,0.9695000052452087,0.9702500104904175,0.9696666598320007]}

可视化结果

def show_train_history(train_history,train_metric,val_metric):plt.plot(train_history.history[train_metric])plt.plot(train_history.history[val_metric])plt.title('Train History')plt.ylabel(train_metric)plt.xlabel('Epoch')plt.legend(['train','validation'],loc='upper left')plt.show()show_train_history(train_history,'loss','val_loss')
show_train_history(train_history,'accuracy', 'val_accuracy')

模型评估

test_loss,test_acc=model.evaluate(test_images,test_labels_ohe,verbose=2)