1.导入库

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt%matplotlib inlineprint("Tensorflow版本是：",tf.__version__)

2、数据集获取

mnist = tf.keras.datasets.mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()

3、数据集划分

3.1 划分验证集

total_num = len(train_images)
valid_split = 0.2 #验证集的比例占20%
train_num = int(total_num*(1-valid_split)) #训练集的数目train_x = train_images[:train_num] #前部分给训练集
train_y = train_labels[:train_num]valid_x = train_images[train_num:] #后20%给验证集
valid_y = train_labels[train_num:]test_x = test_images
test_y = test_labels

valid_x.shape

4、数据塑性

# 把（28 28）的结构 拉直为一行 784
train_x = train_x.reshape(-1,784)
valid_x = valid_x.reshape(-1,784)
test_x = test_x.reshape(-1,784)

5、特征数据归一化

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)

6、独热编码

#实例x = [3,4]
tf.one_hot(x,depth = 10)

#对标签数据进行独热编码
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)

train_y

7、创建变量

#定义变量
W = tf.Variable(tf.random.normal([784,10],mean = 0.0,stddev = 1.0,dtype = tf.float32))
B = tf.Variable(tf.zeros([10]),dtype = tf.float32)# 在本案例中，用正态分布的随即数初始化全中W，以常数0初始化偏执B

8、定义交叉商损失函数

def loss(x,y,w,b):pred = model(x,w,b) # 计算模型预测值 和 标签值的差异loss_ = tf.keras.losses.categorical_crossentropy(y_true = y,y_pred = pred)return tf.reduce_mean(loss_) #求均值，得出均方差

9、设置超参数

training_epochs = 20 #训练论数
batch_size = 50 #单次训练数样本（批次大小）
learning_rate = 0.001 #学习率

10、定义梯度函数

# 计算样本数据【x,y】在参数【w,b】点上的梯度
def grad(x,y,w,b):with tf.GradientTape() as tape:loss_ = loss(x,y,w,b)return tape.gradient(loss_,[w,b]) # 返回梯度向量

11、选择优化器

# Adam 优化器
optimizer = tf.keras.optimizers.Adam(learning_rate = learning_rate)

12、定义准确率

def accuracy(x,y,w,b):pred = model(x,w,b) # 计算模型预测值和标签值的差异#检查【预测类别tf.argmax(pred,1)与实际类别tf.argmax(y,1)的匹配情况correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))#准确率，将布尔值转化为浮点数，并计算平均值return tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

13、训练模型

total_step = int(train_num/batch_size)loss_list_train = [] #用于保存训练集 loss 的列表
loss_list_valid = [] #用于保存验证集 loss 值的列表
acc_list_train = [] #用于保存 训练集Acc值的列表
acc_list_valid = [] #用于保存验证集 Acc的值 的列表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 根据梯度自动调整变量w和bloss_train = loss(train_x,train_y,W,B).numpy()#计算当前轮训练损失loss_valid = loss(valid_x,valid_y,W,B).numpy()#计算当前轮验证损失acc_train = accuracy(train_x,train_y,W,B).numpy()acc_valid = 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_valid)print("epoch = {:3d},train_loss = {:.4f},val_loss,val_acc={:.4f}".format(epoch+1,loss_train,acc_train,loss_valid,acc_valid))

从上述打印结果可以看出损失值 Loss 是趋于更小的，同时，准确率Accuracy 越来越高

14、显示训练过程数据

plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.plot(loss_list_train,'blue',label = "Train Loss")
plt.plot(loss_list_valid,'red',label = "Valid Loss")
plt.legend(loc = 1) #通过参数 loc 指定图例位置

plt.xlabel("Epochs")
plt.ylabel("Accuracy")
plt.plot(acc_list_train,'blue',label = 'Train Acc')
plt.plot(acc_list_valid,'red',label = 'Valid Acc')
plt.legend(loc = 1) #通过参数 loc 指定图例位置

15、评估模型

完成训练后，在测试集上评估模型的准确率

acc_test = accuracy(test_x,test_y,W,B).numpy()
print("Test accuracy :",acc_test)

16、模型应用与可视化

16.1、应用模型

的在建立模型并进行训练后，若认为准确率可以接受，则可以使用此模型进行预测

# 定义预测函数
def predict(x,w,b):pred = model(x,w,b)# 计算模型预测值result = tf.argmax(pred,1).numpy()return result

pred_test = predict(test_x,W,B)

pred_test[0]

16.2、定义可视化函数

import matplotlib.pyplot as plot
import numpy as np
def plot_images_label_prediction(images,#图像列表labels, #标签列表preds, #y预测值列表index=0, #从第index个开始显示num = 10 # 缺省 一次显示10幅):fig = plt.gcf()# 获取当前图表 ，Get Current Figurefig.set_size_inches(10,4) #1 英寸 等于2.54cmif num > 10:num = 10for i in range(0,num):ax = plt.subplot(2,5,i+1)ax.imshow(np.reshape(images[index],(28,28)),cmap="binary") # 显示第index 个图像title = 'label=' + str(labels[index]) #构建该图上要显示的title 信息if len(preds)>0:title += ",predict=" + str(preds[index])ax.set_title(title,fontsize = 10) #显示 图上的title 信息ax.set_xticks([]);ax.set_yticks([])index = index + 1plt.show()

plot_images_label_prediction(test_images,test_labels,pred_test,10,10)

17、最终结果