企业官网建设流程全解析

设计师做帆布包网站,网络公关公司排名,二级分销小程序,苏州网站建设 牛#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 前言 实验环境 python 3.9.2 tensorflow 2.10.0 Jupyter Notebook: 7.4.5代码实现 设置gpu以及打印时间戳 # 打印当前时间 import d… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊前言实验环境python 3.9.2 tensorflow 2.10.0 Jupyter Notebook: 7.4.5代码实现设置gpu以及打印时间戳# 打印当前时间importdatetimeprint(datetime.datetime.now())# 配置gpuimporttensorflowastf gpustf.config.list_physical_devices(GPU)ifgpus:gpu0gpus[0]tf.config.experimental.set_memory_growth(gpu0,True)# 设置gpu现存用量按需使用tf.config.set_visible_devices([gpu0],GPU)print(gpus)导入数据# 数据导入importtensorflowastffromtensorflow.kerasimportdatasets,layers,modelsimportmatplotlib.pyplotasplt# 导入mnist数据依次分别为训练集图片、训练集标签、测试集图片、测试集标签(train_images,train_labels),(test_images,test_labels)datasets.mnist.load_data()数据归一化# 将像素的值标准化至0到1的区间内。(对于灰度图片来说每个像素最大值是255每个像素最小值是0也就是直接除以255就可以完成归一化。) 这样做可以加速模型的收敛速度因为大部分神经网络激活函数如ReLU在输入值较小时表现更好。train_images,test_imagestrain_images/255.0,test_images/255.0# 查看数据维数信息train_images.shape,test_images.shape,train_labels.shape,test_labels.shape可视化图片# 将数据集前20个图片数据可视化显示# 进行图像大小为20宽、10长的绘图(单位为英寸inch)plt.figure(figsize(20,10))# 遍历MNIST数据集下标数值0~19foriinrange(20):# 将整个figure分成2行10列绘制第i1个子图。plt.subplot(2,10,i1)# 设置不显示x轴刻度plt.xticks([])# 设置不显示y轴刻度plt.yticks([])# 设置不显示子图网格线plt.grid(False)# 图像展示cmap为颜色图谱plt.cm.binary为matplotlib.cm中的色表plt.imshow(train_images[i],cmapplt.cm.binary)# 设置x轴标签显示为图片对应的数字plt.xlabel(train_labels[i])# 显示图片plt.show()调整图片格式#调整数据到我们需要的格式分别对应样本数、高度、宽度、颜色通道数train_imagestrain_images.reshape((60000,28,28,1))test_imagestest_images.reshape((10000,28,28,1))train_images.shape,test_images.shape,train_labels.shape,test_labels.shape构建模型各层的作用输入层:作用: 这是模型接收原始数据的入口。在代码中它体现在layers.Conv2D(32, (3, 3), activationrelu, input_shape(28, 28, 1))的input_shape参数。它定义了模型期望接收的数据格式这里是(28, 28, 1)代表高度28像素、宽度28像素、1个颜色通道灰度图的图像。它本身不进行任何计算只是规定了数据进入模型的“接口”形状。卷积层:作用: 这是卷积神经网络CNN的核心。它使用一组可学习的滤波器也叫卷积核或特征探测器在输入图像上滑动。特征提取: 每个卷积核会扫描图像的局部区域计算卷积运算加权求和从而检测特定的局部特征例如边缘、线条、角点、特定方向的纹理等。在代码中第一个卷积层使用了32个3x3的卷积核意味着它会学习提取32种不同的低级特征。第二个卷积层使用了64个3x3的卷积核它会在第一个卷积层提取的特征基础上进一步组合和学习更复杂、更抽象的特征。参数32/64: 表示该层包含的卷积核滤波器的数量。数量越多模型能学习到的特征模式就越多。参数(3, 3): 表示卷积核的尺寸这里是3x3的窗口。参数activationrelu: 应用ReLU激活函数引入非线性使得网络能够学习更复杂的模式。ReLU函数f(x) max(0, x)还能缓解梯度消失问题加速训练。池化层:作用: 主要进行下采样即减少数据的空间尺寸宽度和高度。减少参数和计算量: 通过降低特征图的维度减少了后续层的参数数量和计算量从而加快训练速度并降低过拟合风险。特征不变性: 在小区域内进行聚合如最大池化取最大值能在一定程度上保持对微小平移、旋转等变换的鲁棒性。增大感受野: 使得后续的卷积层能看到更大范围的原始输入信息。参数(2, 2): 表示池化窗口的大小是2x2。这个窗口会滑过输入特征图每次移动2个像素步长通常等于窗口大小并应用聚合操作这里是最大值。Flatten层:作用: 这是一个非常重要的“格式转换器”。维度重塑: 它将前面卷积层和池化层输出的多维特征图例如经过池化后可能是(batch_size, height, width, channels)形状压平成一维向量形状变为(batch_size, height * width * channels)。连接卷积与全连接: 这是卷积部分和全连接部分之间的桥梁。因为全连接层期望接收一维的输入向量而卷积层输出的是多维张量。全连接层:作用: 在代码中layers.Dense(64, activationrelu)起到了“特征提取器”和“分类器”的双重作用。在靠近输出的部分它更像是一个分类器。特征整合: 它接收来自Flatten层的一维向量即前面所有卷积层提取的综合特征并将其与该层的所有神经元进行全连接。学习高维表示: 通过学习权重和偏置它能够将前面提取的局部特征组合成更高层次、更抽象的表示用于最终的分类决策。参数64: 表示该层神经元的数量。这决定了该层输出特征向量的维度。参数activationrelu: 再次应用ReLU激活函数引入非线性。输出层 (Output Layer):作用: 这是模型的最后一层负责输出最终的预测结果。分类决策: 在多分类任务如在本次MNIST的10个数字分类任务中它的神经元数量等于类别数这次是10。它接收上一层全连接层的特征表示并将其转换为对每个类别的预测分数logits。参数10: 表示输出空间的维度对应MNIST数据集的10个数字类别0-9。模型会为输入图像计算出一个10维的输出向量通常这个向量中数值最大的那个索引就代表模型预测的类别。# 构建模型modelmodels.Sequential([# 设置二维卷积层1设置32个3*3卷积核activation参数将激活函数设置为ReLu函数input_shape参数将图层的输入形状设置为(28, 28, 1)# ReLu函数作为激活励函数可以增强判定函数和整个神经网络的非线性特性而本身并不会改变卷积层# 相比其它函数来说ReLU函数更受青睐这是因为它可以将神经网络的训练速度提升数倍而并不会对模型的泛化准确度造成显著影响。layers.Conv2D(32,(3,3),activationrelu,input_shape(28,28,1)),#池化层12*2采样layers.MaxPooling2D((2,2)),# 设置二维卷积层2设置64个3*3卷积核activation参数将激活函数设置为ReLu函数layers.Conv2D(64,(3,3),activationrelu),#池化层22*2采样layers.MaxPooling2D((2,2)),layers.Flatten(),#Flatten层连接卷积层与全连接层layers.Dense(64,activationrelu),#全连接层特征进一步提取64为输出空间的维数activation参数将激活函数设置为ReLu函数layers.Dense(10)#输出层输出预期结果10为输出空间的维数])# 打印网络结构model.summary()编译模型 这里设置优化器、损失函数以及metrics # model.compile()方法用于在配置训练方法时告知训练时用的优化器、损失函数和准确率评测标准model.compile(# 设置优化器为Adam优化器optimizeradam,# 设置损失函数为交叉熵损失函数tf.keras.losses.SparseCategoricalCrossentropy()# from_logits为True时会将y_pred转化为概率用softmax否则不进行转换通常情况下用True结果更稳定losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue),# 设置性能指标列表将在模型训练时监控列表中的指标metrics[accuracy])训练模型 这里设置输入训练数据集图片及标签、验证数据集图片及标签以及迭代次数epochs 关于model.fit()函数的具体介绍可参考我的博客 https://blog.csdn.net/qq_38251616/article/details/122321757 historymodel.fit(# 输入训练集图片train_images,# 输入训练集标签train_labels,# 设置10个epoch每一个epoch都将会把所有的数据输入模型完成一次训练。epochs10,# 设置验证集validation_data(test_images,test_labels))模型预测plt.imshow(test_images[1])premodel.predict(test_images)# 对所有测试图片进行预测pre[1]# 输出第一张图片的预测结果学习总结深度学习是什么我认为深度学习是通过多层非线性变换从原始数据如图像、文本、声音中学习层次化的特征表示。较低层学习基础特征如边缘、角点较高层则组合这些基础特征形成更抽象、更有意义的表示如形状、物体部件最终用于分类、识别、生成等任务。本次任务通过构建和训练一个卷积神经网络CNN识别MNIST手写数字让我对TensorFlow框架有了初步的认识。TensorFlow提供了一套清晰、模块化的API使得从数据加载datasets.mnist.load_data、数据预处理归一化、reshape、模型构建Sequential模型和layers模块、模型编译model.compile到模型训练model.fit和预测model.predict的整个深度学习流程都变得结构化和易于实现。特别是集成的Kerastf.kerasAPI极大地简化了模型搭建的复杂度相比于PyTorch框架在快速模型构建方面变得更方便了。