10.5全连接网络的搭建在线视频

下面我们在JUPYTER下看一下

我们使用Tensorflow框架去搭建一个全连接的神经网络和卷积神经网络

那么再去

对于我们的图像的一个识别的一个训练以及测试的

情况的一个演示

首先呢

我们来导入我们要应用到Tensorflow框架

以及它里面的函数包

然后我们导进NumPy和数据处理

还有Matplotblo的画图

我们可以把我们的和前面一样

数据及图片可以进行展示

下面的训练里面我们需要给大家介绍一个新的数据

叫Fashion mnist

那么他的导入方法跟Mnist导入一样

Keras.datasets加

Fashion.mnist.load_data就可以导进来

导进来以后

我们可以看他的形状

就是也是六万张

28程28的一个Train mnist

Image就是我们的训练集

一万张对应的测试集

以及

我们可以看到它的训练的或测试的标签都是0到9的

那么这个只是他的一个出来的训练的标签

我们对应的我们这些这样的一个Fashion.mnist他的类型呢

我们对应的我们这些这样的一个Fashion.mnist他的类型呢

是一些服饰的名称

所以我们可以通过给一个列表字符列表来去

通过他的下标零的时候下标为零的时候就是一个Grid(True)

那么下标为一的是一个是figure

下标二的时候是

那么执行他以后呢

我们在图画图展示的时候

你可以把它对应的标签转化成class names

那我们就可以看得更清楚一些

首先我们来看一下这个

我们展示一下我们这个进来的这个训练集这个图片是一个什么样子的情况

我们这是下标一的图片

我们需要显示一个颜色条

然后这个

这是我们的这个网格

让他是显示的

可以运行一下

可以看的到这个颜色条

那么是0到250的

我们如果把这个改成一个

False

那么这个条就不显示

那么cmap plt

如果不显示的话

他就没有右边的这个Keras plt

我们来看一下

那么这样的话

我们看这个grid就不显示了

那么这个条显示是0到255

所以我们做数据处理的时候是需要把它

把它缩放到零到一的范围内

到零一的范围内

我们的执行以后可以看在显示的时候

我们还显示刚才下标为一的图片

那我们缩放已经缩放过了

我们只能把图片修改一下

我们再看一下

我们在看这个下标为一的这个最前面已经缩放过了

我们再看一下它运行的上面那张图片

跟上面一样

那么这个Plt就是什么啊

0到1

那我们可以看看这是缩放

然后呢

我们如果要看多张图片

我们刚才

只有图片

我们下面对应的图片

我们要看多张的图片

那么就做一个循环

每一个前面讲过

这是每行是五个图片

每行五个图片

一共五行

五25

然后他的行列的这个

行列的这个标识把它去掉

把行列的这个刻度把它去掉

然后我们可以显示一下图片

然后显示图片对应的是keras mnist

那我来可以看一下

那我们通过这个

他可以看到只看它的形状

更清楚见我们这个是二制图把它转换成一个

一个二制图的话

对形状可能看得更清楚一些

当然我们要去掉他以后可以看到

我们在执行一下我们这个图片

我们在执行一下我们这个图片

就会是一个什么呀

彩色的图片

出来时那这样

那么这个对应的话

我们可以看到不仅是什么类标号

就会有什么类标号对应的名称

比如说这个踝靴呀

T-shirt呀

这是个裙子

像这个套头衫sandals凉鞋

还有我们的sneakers是我们的运动鞋

那么这衬衫外套大衣

还有bag dress

那么这就是我们这里面的都是我们的训练及以及他的

标号对应的名称

下面我们就可以搭建一个

神经网络

我们首先搭建一个三层的什么呀

神经网络在这个地方呢

我们构建一个什么样

首先构建模型

然后通过keras我们下面模型这个一层层的顺序

第一层我们展开的是平铺层

那么输入进来的是图片是28乘28的

然后第二层是我们的

中间层我们定义了512个

中间的一个

隐藏节点神经元

然后我们的激活函数用

下面一层的是全连接层256个神经元

然后也用 函数

那么下面一个层次是什么

那么输出的十个神经元

那么用 max函数

这就是我们的模型的什么搭建的过程

那么搭建平铺层

那么我们什么全连接层

三层的全连接神经网络

然后呢

我们把它看一下

这是构建好了

我们可以看一下model.

我们可以看他有哪些参数平铺层

那么拉伸的这个平层的话是没有参数

那么到了第一层的时候

512个中间的神经元是对应的

这样的这么多的四万多个参数

那么第二层的

256对应的是这么多个参数

四十多万那么就是13万了

以及最后一层对应的这些总结

就是我们在训练出就要训练这么多这些参数五十三万多全部的参数

我们在这个里面的话模型编译

我们这里面要说一下这个关于他的优化器

他的损失

函数的选择以及它的准确需要说一下

评判的时候准确率

那么这些参数的一个设定

下面的话我们就可以看一下这个就是我们训练这个图片的数据类型

数据类型是一个把它转换成一个浮点数了

再转换把我们的这个图片

然后他们通过把我们图片的数据都

我们把它转换成府路三二的数据转换一下

然后我们这个就是

model.predict是我们进来的图片

然后样本

然后那么是训练两遍 零点一

指的是我们需要六万张图片

我们只用90%去掉那10%

那我们来看训练的

所以是五万四千张的图片

那我们训练可以看到我们的准确率

在这个地方就损失

那么

第一遍训练我们的准确率达到0.8597

那就相当于准确率在85我们看第二遍

训练后

他的准确率肯定是在这个基础上会有更大的提高

我们可以看的到

他的准确率8673达到了这样子的

我们都可以看一下

这是我们训练出来的准确率

我们通过测试集

那么test_images标签来测试

他们的是准确

不准确

那么得到一个测试的这个结果

我们测试是8662

那个跟这个训练的基本上差不多

下面我们看一下测试集的预测的结果

通过前面的模型训练呢

它的准确率达到了百分之八十六多

那么我们可以通过model.predict

把我们预测集的结果

预测放到我们的predictions里面

那么看predictions里面放的什么呢

是我们预测出来的是 编码

我们前面给他介绍里面那我们就是下标为零到九里面的他都是概率

那么通过argmax来获得我们这个最大值的下标

那么看这个就是我们看下标为一的

这个test_images这里面他的预测的类别是二

我们来看看他这个是不是跟我们的这个测试的标签是不是一样

运行一下

可以看到我们的测试的标间也是二

这就说明我们这个预测是正确的

我们再看一下这个预测这二的标签

里面他是一个

执行后

他就是一个什么套头衫

我们同样可以在预测另外的预测里面

我们可以看到看一下第十一

第十一下标为十一的他的预测的类型是什么

预测的类型十一

我们看他预测的类型是什么

第五类

我们看测试标签里面的下标为十一

他标签应该是多少呢

也是五类

那么预测也是正确的

一样我们可以看到这个第五类就是我们的凉鞋

这个一样我们可以把对应的

测试的这个图片

那么测试的下标为十一的这个图片打出来

看它是不是凉鞋呢

我们可以看到

它就是一个

从图片上

我们也可以看到它是一个凉鞋

那么这个前面这个

就是我们通过搭建的三层的全连接神经网络构建的模型

我们可以看评估一下训练

模型可以达到86%到87%左右

那么这时每一次训练的结果会稍有不同

这是我们全连接网络的一个搭建以及模型的训练

与我们的这个测试

那么这时每一次训练的结果会稍有什么不同

这是我们全连接网络的一个搭建以及模型的训练

与我们的这个测试