大家好，盡管大多數(shù)關(guān)于神經(jīng)網(wǎng)絡(luò)的文章都強調(diào)數(shù)學(xué)，而TensorFlow文檔則強調(diào)使用現(xiàn)成數(shù)據(jù)集進行快速實現(xiàn)，但將這些資源應(yīng)用于真實世界數(shù)據(jù)集是很有挑戰(zhàn)性的，很難將數(shù)學(xué)概念和現(xiàn)成數(shù)據(jù)集與我的具體用例聯(lián)系起來。本文旨在提供一個實用的、逐步的教程，介紹如何使用TensorFlow訓(xùn)練深度學(xué)習模型，并重點介紹如何將數(shù)據(jù)集重塑為TensorFlow對象，以便TensorFlow框架能夠識別。

本文主要內(nèi)容包括：

• 將DataFrame轉(zhuǎn)換為TensorFlow對象

• 從頭開始訓(xùn)練深度學(xué)習模型

• 使用預(yù)訓(xùn)練的模型訓(xùn)練深度學(xué)習模型

• 評估、預(yù)測和繪制訓(xùn)練后的模型。

安裝TensorFlow和其他必需的庫?

首先，你需要安裝TensorFlow。你可以通過在終端或Anaconda中運行以下命令來完成：

# 安裝所需的軟件包
!pip install tensorflow
!pip install tensorflow-datasets

安裝TensorFlow之后，導(dǎo)入其他必需的庫，如Numpy、Matplotlib和Sklearn。

import os
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split

from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout

加載數(shù)據(jù)集

一旦導(dǎo)入了所有必需的庫，下一步是獲取數(shù)據(jù)集來搭建模型。TensorFlow允許使用各種輸入格式，包括CSV、TXT和圖像文件，有些數(shù)據(jù)集可以從TensorFlow-dataset中導(dǎo)入，這些數(shù)據(jù)集已準備好用作深度學(xué)習模型的輸入。然而在許多情況下，數(shù)據(jù)集是以DataFrame格式而不是TensorFlow對象格式存在的。本文我們將使用Sklearn中的MNIST數(shù)據(jù)集，其格式為Pandas DataFrame。MNIST數(shù)據(jù)集廣泛用于圖像分類任務(wù)，包括70000個手寫數(shù)字的灰度圖像，每個圖像大小為28x28像素。該數(shù)據(jù)集被分為60000個訓(xùn)練圖像和10000個測試圖像。

from sklearn.datasets import fetch_openml

# 加載MNIST數(shù)據(jù)集
# mnist = fetch_openml('mnist_784')

# 輸出MNIST數(shù)據(jù)集
print('Dataset type:', type(mnist.data))

# 瀏覽一下加載的數(shù)據(jù)集
mnist.data.head()

?通過輸出DataFrame的前部，我們可以觀察到它包含784列，每列代表一個像素。

?將DataFrame轉(zhuǎn)換為TensorFlow數(shù)據(jù)集對象

加載了Pandas DataFrame，注意到TensorFlow不支持Pandas DataFrame作為模型的輸入，因此必須將DataFrame轉(zhuǎn)換為可以用于訓(xùn)練或評估模型的張量。這個轉(zhuǎn)換過程確保數(shù)據(jù)以與TensorFlow API兼容的格式存在，為了將MNIST數(shù)據(jù)集從DataFrame轉(zhuǎn)換為tf.data.Dataset對象，可以執(zhí)行以下步驟：

1. 將數(shù)據(jù)和目標轉(zhuǎn)換為NumPy數(shù)組并對數(shù)據(jù)進行歸一化處理

2. 使用scikit-learn中的train_test_split將數(shù)據(jù)集拆分為訓(xùn)練集和測試集

3. 將訓(xùn)練和測試數(shù)據(jù)重塑為28x28x1的圖像

4. 使用from_tensor_slices為訓(xùn)練集和測試集創(chuàng)建tf.data.Dataset對象

def get_dataset(mnist):
    # 加載MNIST數(shù)據(jù)集
    # mnist = fetch_openml('mnist_784')

    # 將數(shù)據(jù)和目標轉(zhuǎn)換成numpy數(shù)組
    X = mnist.data.astype('float32')
    y = mnist.target.astype('int32')

    # 將數(shù)據(jù)歸一化，使其數(shù)值在0和1之間
    X /= 255.0

    # 將數(shù)據(jù)集分成訓(xùn)練集和測試集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 將訓(xùn)練數(shù)據(jù)重塑為28x28x1的圖像
    X_train = X_train.values.reshape((-1, 28, 28, 1))
    X_test = X_test.values.reshape((-1, 28, 28, 1))

    # 為訓(xùn)練和測試集創(chuàng)建TensorFlow數(shù)據(jù)集對象
    train_dataset = tf.data.Dataset.from_tensor_slices((X_train, y_train))
    test_dataset = tf.data.Dataset.from_tensor_slices((X_test, y_test))

    # 輸出訓(xùn)練和測試集的形狀
    print('Training data shape:', X_train.shape)
    print('Training labels shape:', y_train.shape)
    print('Testing data shape:', X_test.shape)
    print('Testing labels shape:', y_test.shape)

    return X_test, y_test, X_train, y_train

?再來看一下我們的訓(xùn)練和測試TensorFlow對象：

?經(jīng)過這個過程，原始數(shù)據(jù)集已經(jīng)成功轉(zhuǎn)換為形狀為（5600，28，28，1）的TensorFlow對象。

經(jīng)過以上的步驟我們已經(jīng)完成了實戰(zhàn)的前半部分，后文將繼續(xù)講解有關(guān)定義深度學(xué)習模型、訓(xùn)練模型和評估模型的內(nèi)容。文章來源地址http://www.zghlxwxcb.cn/news/detail-615573.html

到了這里，關(guān)于使用TensorFlow訓(xùn)練深度學(xué)習模型實戰(zhàn)（上）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！