0%

深度学习笔记

发表于 更新于 分类于

深度学习笔记

矩阵运算仿真神经网络

$$
x,输入;

y,输出;

w,权重;

b,偏差值.
$$

$$
y=activation(x*w+b)
$$

多层感知器

image-20230515174335091
$$
h1=ReLU(x*w1+b1);
$$

$$
y=softmax(h1*w2+b2)
$$

深度学习必备软件安装

1 安装Anaconda

1.1 下载Anaconda

1
https://www.anaconda.com/products/distribution

安装时需要勾选add anaconda to my path

1.2 启动命令提示符

右击标题栏，可以改变文本与背景颜色

1.2.1 建立并切换工作目录

1
2
3
md \pythonwork

cd \pythonwork

1.2.2 创建Anaconda虚拟环境

1
conda create --name tensorflow python=3.5 anaconda

conda create 建立虚拟环境

–name tensorflow –建立的虚拟环境名称为tensor flow

python=3.5 安装的python包版本为3.5

anaconda 在建立虚拟环境的同时也会安装其他的python包

中途按住y，即可继续安装

1.2.3 启动Anaconda虚拟环境

1
activate tensorflow

1.2.4 关闭Anaconda虚拟环境

1
deactivate tensorflow

2 在anaconda虚拟环境安装TensorFlow与Keras

启动Anaconda虚拟环境（注意全为小写）

1
activate tensorflow

安装TensorFlow CPU 版本

1
2
pip install tensorFlow
pip3 install --user --upgrade tensorflow -i https://pypi.douban.com/simple

安装Keras

1
pip install Keras

3 启动Jupyter Notebook

建立并切换工作目录

1
cd \pythonwork

启动Anaconda虚拟环境

1
activate tensorflow

启动Jupyter Notebook

1
Jupyter Notebook
1
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

输入

1
import tensorflow as tf
出错情况下应该这样处理，具体步骤如下：

1.必须保证在（base）与（anaconda）下输入

1
conda list

后都有tnsorflow出现

2.保证安装包与python版本一一对应

1
2
3
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
conda create -n tensorflow python=3.10

或

1
2
3
conda install tensorflow

pip install tensorflow==2.10.0

2.10.0对应python3.10

离线版本下载：

1
https://pypi.org/project/tensorflow/2.0.0/#files

离线版本安装：

1
pip install tensorflow-2.0.0-cp37-cp37m-win_amd64.whl

显示版本

1
print(tf.__version__)
1
2
3
import keras

print(keras.__version__)

ctrl+C退出jupyter notebook网页

4 keras手写数字识别数据集

导入keras及其相关模块

1
2
3
4
5
6
7
8
9
import numpy as np

import pandas as pd

from keras.utils import np_utils

np.random.seed(10)

from keras.datasets import mnist

下载，读取，查看mnist数据

1
2
3
4
5
6
7
8
(x_train_image, y_train_label), \
(x_test_image, y_test_label) = mnist.load_data()

(x_train_image, y_train_label), \
(x_test_image, y_test_label) = mnist.load_data()

print('train data=',len(x_train_image))
print(' test data=',len(x_test_image))

mnist数据集位置

1
C:\Users\ZHANGCAIBIN\.keras\datasets

4.1 查看单个训练数据的图像与标签

显示mnist的训练数据组成

1
2
print ('x_train_image:',x_train_image.shape)
print ('y_train_label:',y_train_label.shape)

定义函数以显示数字图像所对应的数字

1
2
3
4
5
6
import matplotlib.pyplot as plt
def plot_image(image):
    fig = plt.gcf()
    fig.set_size_inches(2, 2)
    plt.imshow(image, cmap='binary')
    plt.show()
1
plot_image(x_train_image[0])
1
y_train_label[0]

4.2 查看多个训练数据的图像与标签

导入pyplot模块

1
import matplotlib.pyplot as plt

定义函数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
def plot_images_labels_prediction(images,labels,prediction,idx,num=10):
    fig = plt.gcf()
    fig.set_size_inches(12, 14) #设置显示图形大小
    if num>25: num=25 #设置最大显示项目数
    for i in range(0, num): #画出num个图形
        ax=plt.subplot(5,5, 1+i) #设置为5行5列
        ax.imshow(images[idx], cmap='binary') #显示各子图
        title= "label=" +str(labels[idx]) #显示各子图题目
        if len(prediction)>0:
                title+=",predict="+str(prediction[idx]) 
        ax.set_title(title,fontsize=10) #设置标题字体大小
        ax.set_xticks([]);ax.set_yticks([]) #不显示刻度
        idx+=1 #读取下一项
    plt.show() #画图

plot_images_labels_prediction(x_train_image,y_train_label,[],0,10)

plot_images_labels_prediction(x_test_image,y_test_label,[],0,10)

4.3 多层感知器模型数据预处理

4.3.1 image的features数据预处理

1.将28*28的图形reshape（一维化）为784长度，且为浮点型（float）

2.之后进行数字标准化。

查看image的shape

1
2
print ('x_train_image:',x_train_image.shape)
print ('y_train_label:',y_train_label.shape)

将image以reshape转换为一维向量，再以astype转为784个浮点数

1
2
x_Train =x_train_image.reshape(60000, 784).astype('float32')
x_Test = x_test_image.reshape(10000, 784).astype('float32')

查看转换为一维向量的shape

1
2
print ('x_train:',x_Train.shape)
print ('x_test:',x_Test.shape)

查看第0张image图像的768个浮点数，每一个数字从0到255，表示图形每一个点的灰度的深浅

1
x_train_image[0]

将image数字标准化，以提高训练模型的准确率，因此除以255.

1
2
x_Train_normalize = x_Train/ 255
x_Test_normalize = x_Test/ 255

查看image数字标准化结果

1
x_Train_normalize[0]

4.3.2 label数据预处理

label本对应0-9十位数字，选哟经过one-hot encoding（一位有效编码）转换为10个0或1的组合，eg. 数字7—-0000000100，即把第8（n-1）位改写为1

查看原本label标签字段，显示前5个

1
y_train_label[:5]

进行one-hot encoding 转换

1
2
y_TrainOneHot = np_utils.to_categorical(y_train_label)
y_TestOneHot = np_utils.to_categorical(y_test_label)

查看转换后的label标签字段

1
y_TrainOneHot[:5]

5 keras多层感知器手写数字识别

步骤

数据预处理–建立模型–训练模型–评估模型准确率–进行预测

谢谢你们对我的支持！

欢迎关注我的其它发布渠道