人工智能學習概述—快手視頻
人工智能學習57-TF訓練—快手視頻
人工智能學習58-TF訓練—快手視頻
人工智能學習59-TF預測—快手視頻

訓練示例代碼

#導入keras.utils 工具包 
import keras.utils 
#導入mnist數據集 
from keras.datasets import mnist 
#引入tensorflow 類庫 
import tensorflow.compat.v1 as tf 
#關閉tensorflow 版本2的功能，僅使用tensorflow版本1的功能 
tf.disable_v2_behavior() 
#引用numpy 處理矩陣操作 
import numpy as np 
#引用圖形處理類庫 
import matplotlib.pyplot as plt 
import matplotlib 
#引入操作系統類庫，方便處理文件與目錄 
import os 
#避免多庫依賴警告信息 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' 
#設置tensorflow 訓練模型所在目錄 
model_path = '../log/model.ckpt' 
#設置神經網絡分類數量，0-9個數字需要10個分類 
num_classes = 10 
#從數據集mnist裝入訓練數據集和測試數據集，mnist提供load_data方法 
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
#灰度圖編碼范圍0-255，將編碼歸一化，轉化為0-1之間數值 
x_train = x_train.astype('float32') / 255.0 
x_test = x_test.astype('float32') / 255.0 
#將訓練和測試標注數據轉化為張量(batch,num_classes) 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 
#定義輸入張量，分配地址 
x = tf.placeholder(tf.float32, [None, 784]) 
y = tf.placeholder(tf.float32, [None, 10]) 
#初始化第一層權重W矩陣 
w1 = tf.Variable(tf.random_normal([784, 128])) 
#初始化第一層偏置B向量 
b1 = tf.Variable(tf.zeros([128])) 
#定義第一層激活函數輸入值 X*W+B 
hc1 = tf.add(tf.matmul(x,w1),b1) 
#定義第一層輸出，調用激活函數sigmoid 
h1 = tf.sigmoid(hc1) 
#初始化第二層權重W矩陣 
w2 = tf.Variable(tf.random_normal([128, 10])) 
#初始化第二層偏置B向量 
b2 = tf.Variable(tf.zeros([10])) 
#使用激活函數softmax，預測第二層輸出 
pred = tf.nn.softmax(tf.matmul(h1, w2) + b2) 
#使用交叉熵定義代價函數 
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1)) 
#定義學習率 
learn_rate = 0.01 
#使用梯度下降法優化網絡 
optimizer = tf.train.GradientDescentOptimizer(learn_rate).minimize(cost) 
epoch_list = [] 
cost_list = [] train_epoch = 30 
batch_size = 100 
display_step = 1 
#定義神經網絡模型保存對象 
saver = tf.train.Saver() 
#觸發tensorflow初始化，為定義變量賦值 
init = tf.global_variables_initializer() 
#啟動tensorflow會話 
with tf.Session() as sess: if os.path.exists('../log/model.ckpt.meta'): saver.restore(sess, model_path) #如果存在網絡模型，在會話中裝入網絡模型 else: sess.run(init) #如果不存在網絡模型，會話執行初始化工作 #循環遍歷每次訓練 for epoch in range(train_epoch): #定義平均損失 avg_cost = 0. #計算總批次 total_batch = int(x_train.shape[0] / batch_size) #循環每批次樣本數據 for i in range(total_batch): #讀取每批次訓練樣本數據 batch_xs = x_train[i*batch_size: (i+1)*batch_size] #讀取每批次訓練標簽樣本數據 batch_ys = y_train[i*batch_size: (i+1)*batch_size] #轉化樣本數據格式，添加第一維度代表樣本數量 batch_xs = np.reshape(batch_xs, (100, -1)) #啟動tensorflow進行樣本數據訓練 _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs, y: 
batch_ys}) #累計每批次的平均損失 avg_cost += c / total_batch #記錄平均損失 epoch_list.append(epoch+1) cost_list.append(avg_cost) #每隔display_step次訓練，輸出一次統計信息 if (epoch+1) % display_step == 0: print('Epochs: ','%04d' % (epoch+1), 'Costs ', 
'{:.9f}'.format(avg_cost)) print('Train Finished') #保存tensorflow訓練的模型 
save_dir = saver.save(sess, model_path) 
print('TensorFlow model save as file %s' % save_dir) 
#圖形顯示訓練結果 
matplotlib.rcParams['font.family'] = 'SimHei' 
plt.plot(epoch_list, cost_list, '.') 
plt.title('Train Model') 
plt.xlabel('Epoch') 
plt.ylabel('Cost') 
plt.show() 

測試示例代碼

#導入keras.utils 工具包 
import keras.utils 
#導入mnist數據集 
from keras.datasets import mnist 
#引入tensorflow 類庫 
import tensorflow.compat.v1 as tf 
#關閉tensorflow 版本2的功能，僅使用tensorflow版本1的功能 
tf.disable_v2_behavior() 
#引用圖形處理類庫 
import matplotlib.pyplot as plt 
#引用numpy處理矩陣操作 
import numpy as np 
#引入操作系統類庫，方便處理文件與目錄 
import os 
#避免多庫依賴警告信息 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' 
#設置tensorflow 訓練模型所在目錄 
model_path = '../log/model.ckpt' 
#設置神經網絡分類數量，0-9個數字需要10個分類 
num_classes = 10 
#從數據集mnist裝入訓練數據集和測試數據集，mnist提供load_data方法 
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
#灰度圖編碼范圍0-255，將編碼歸一化，轉化為0-1之間數值 
x_train = x_train.astype('float32') / 255.0 
x_test = x_test.astype('float32') / 255.0 
#將訓練和測試標注數據轉化為張量(batch,num_classes) 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 
#定義輸入張量，分配地址 
x = tf.placeholder(tf.float32, [None, 784]) 
y = tf.placeholder(tf.float32, [None, 10]) 
#初始化第一層權重W矩陣 
w1 = tf.Variable(tf.random_normal([784, 128])) 
#初始化第一層偏置B向量 
b1 = tf.Variable(tf.zeros([128])) 
#定義第一層激活函數輸入值 X*W+B 
hc1 = tf.add(tf.matmul(x,w1),b1) 
#定義第一層輸出，調用激活函數sigmoid 
h1 = tf.sigmoid(hc1) 
#初始化第二層權重W矩陣 
w2 = tf.Variable(tf.random_normal([128, 10])) 
#初始化第二層偏置B向量 
b2 = tf.Variable(tf.zeros([10])) 
#使用激活函數softmax，預測第二層輸出 
pred = tf.nn.softmax(tf.matmul(h1, w2) + b2) 
#測試樣本集數量 
test_num = x_test.shape[0] 
#定義獲取隨機整數函數，返回0- test_num 
def rand_int(): 
rand = np.random.RandomState(None) 
return rand.randint(low=0, high=test_num) 
#定義神經網絡模型保存對象 
saver = tf.train.Saver() 
n = rand_int() 
#啟動tensorflow 會話 
with tf.Session() as sess: 
#在會話中裝入網絡模型 
saver.restore(sess, model_path) 
#讀取測試樣本數據 
batch_xs = x_test[n: n+2] 
#讀取測試標簽樣本數據 
batch_ys = y_test[n: n+2] 
#轉化樣本數據格式，添加第一維度代表樣本數量 
batch_xs = np.reshape(batch_xs, (2, -1)) 
#定義模型預測輸出概率最大品類 
output = tf.argmax(pred, 1) 
#使用模型預算 
outputv, predv = sess.run([output, pred], feed_dict={x: batch_xs}) 
#圖形輸出 
plt.figure(figsize=(2, 3)) 
for i in range(batch_xs.ndim): 
plt.subplot(1, 2, i+1) 
plt.subplots_adjust(wspace=2) 
t = batch_xs[i].reshape(28, 28) 
plt.imshow(t, cmap='gray') 
if outputv[i] == batch_ys[i].argmax(): 
plt.title('%d,%d' 
% 
color='green') 
else: 
(outputv[i], 
batch_ys[i].argmax()), 
plt.title('%d,%d' % (outputv[i], batch_ys[i].argmax()), color='red') 
plt.xticks([]) 
plt.yticks([]) 
plt.show()