TensorFlow环境搭建
mac os环境:
macOS 10.12.6（Sierra）或更高版本（不支持GPU）
需要 Xcode 8.3 或更高版本
-
使用Python的pip软件包管理器安装TensorFlow
//首次安装
pip install tensorflow
//升级
pip install --user --upgrade tensorflow
//验证是否安装成功
python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"
如果出现像我一样的报错
err
更新库:
pip install --upgrade numpy
-
docker 容器运行tensorflow
首先在mac os安装docker,使用docker 命令在终端运行容器
推荐使用这种方式,部署简单随心所欲
//在容器中run tensorflow 映射本地端口
docker run --name=tensorflow -it --rm -v $(realpath ~/notebooks):/tf/notebooks -p 8888:8888 tensorflow/tensorflow:latest-py3-jupyter
docker 容器运行后会看到token
tensorflow容器运行成功
保持容器后台运行并推出 : control + p , control +q
使用Jupyter notebook server进行操作,使用浏览器打开
http://localhost:8888
copy token值点击login,写下造物主语句hello wold
//测试代码
import tensorflow as tf
from tensorflow.keras import layers
print(tf.VERSION)
print(tf.keras.__version__)
tf.enable_eager_execution();
print(tf.reduce_sum(tf.random_normal([1000, 1000])));
tensorflow容器运行成功
TensorFlow Keras指南
TensorFlow是一个用于研究和生产的开源机器学习库。TensorFlow为初学者和专家提供API，以便为桌面，移动，Web和云开发
高级Keras API提供构建块来创建和训练深度学习模型
-
训练第一个神经网络-基础分类
使用的是 tf.keras，它是一种用于在 TensorFlow 中构建和训练模型的高阶 API
copy一下code至juputer 运行,可以自己调试
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
# Fashion MNIST 数据集导入
# 将使用 60000 张图像训练网络，并使用 10000 张图像评估经过学习的网络分类图像的准确率
# 加载数据集会返回 4 个 NumPy 数组
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 标签是整数数组，介于 0 到 9 之间。这些标签对应于图像代表的服饰所属的类别
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# 检查数据格式
# 60000 张图像，每张图像都表示为 28x28 像素
# 输出为(60000, 28, 28)
train_images.shape
# 数据长度
len(train_labels)
print("数据长度:",len(train_labels))
train_labels
print("标签:",train_labels)
# 测试集1000张 28*28像素的图片
test_images.shape
print("数据预处理,检查第一张图 应该 0 到 255 之间")
#训练的时候注释掉,但必须运行一次
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
# 将这些值缩小到 0 到 1 之间，然后将其馈送到神经网络模型,将图像组件的数据类型从整数转换为浮点数，然后除以 255
train_images = train_images / 255.0
test_images = test_images / 255.0
#训练的时候注释掉,但必须运行一次
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
print("构建神经网络需要先配置模型的层，然后再编译模型")
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
# 编译模型
print("start 编译模型")
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型 epochs值自己修改
print("start 训练模型")
model.fit(train_images, train_labels, epochs=5)
print ("评估准确率:比较一下模型在测试数据集上的表现")
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('测试数据的准确率:', test_acc)
print ("做出预测")
predictions = model.predict(test_images)
#看看第一个预测 ,数组的10个数字代表了每个标签的可信度预测
predictions[0]
print("获取可信度最大值:",np.argmax(predictions[0]))
# 检查测试标签以查看该预测是否正确
test_labels[0]
# 将该预测绘制成图来查看全部 10 个通道
def plot_image(i, predictions_array, true_label, img):
predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array[i], true_label[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
print("看看第 0 张图像、预测和预测数组")
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions, test_labels)
# 看看第 12 张图像、预测和预测数组
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions, test_labels)
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions, test_labels)
# 最后，使用经过训练的模型对单个图像进行预测
print("最后，使用经过训练的模型对单个图像进行预测")
img = test_images[0]
print(img.shape)
#tf.keras 模型已经过优化，可以一次性对样本批次或样本集进行预测
img = (np.expand_dims(img,0))
print(img.shape)
# 预测这张图像
predictions_single = model.predict(img)
print(predictions_single)
plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)
np.argmax(predictions_single[0])
可以看到训练的次数增加,模型准确度也变高,是不是越多越好呢?当然不是
模型训练
识别结果:mode对测试集进行识别
mode对测试集进行识别
