首先引入相關的庫
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
加載數據集
(mnist_images, mnist_labels), _ = tf.keras.datasets.mnist.load_data()
print(type(mnist_images))
print(mnist_images.dtype)
print(mnist_images.shape)
此時可以查看數據集的相關信息:
<class 'numpy.ndarray'>
uint8
(60000, 28, 28)
切分產生dataset
dataset = tf.data.Dataset.from_tensor_slices(
(tf.cast(mnist_images[...,tf.newaxis]/255, tf.float32),
tf.cast(mnist_labels,tf.int64)))
print(dataset)
其中:
mnist_images[…,tf.newaxis] 是指在mnist_images(維度爲(60000, 28, 28))後面再加一個維度,即變成(60000, 28, 28, 1)。省略號表示的是很多個冒號,也就是說[…,tf.newaxis]即爲[:, :, :, tf.newaxis]。
tf.cast() 的作用是將mnist_images原來的數據類型(uint8)轉化爲float32。
tf.data.Dataset.from_tensor_slices() 用來將輸入按照第一維度進行切分,所以最終得到的dataset爲:
<TensorSliceDataset shapes: ((28, 28, 1), ()), types: (tf.float32, tf.int64)>
將dataset打亂、分批
dataset = dataset.shuffle(1000).batch(32)
print(dataset)
得到的dataset爲:
<BatchDataset shapes: ((None, 28, 28, 1), (None,)), types: (tf.float32, tf.int64)>
這個操作的目的是,每次調用dataset.take(1)就會得到32個樣本的組合,如果調用的時dataset.take(x),則得到的是x個這樣的組合。
構建模型
mnist_model = tf.keras.Sequential([
tf.keras.layers.Conv2D(16,[3,3], activation='relu',
input_shape=(None, None, 1)),
tf.keras.layers.Conv2D(16,[3,3], activation='relu'),
tf.keras.layers.GlobalAveragePooling2D(),
tf.keras.layers.Dense(10)
])
先展示一波dataset.take()的作用
for images,labels in dataset.take(2):
print(images.shape)
print("Logits: ", mnist_model(images[0:1]).numpy())
得到:
(32, 28, 28, 1)
Logits: [[-0.01555313 0.02404156 0.01355665 -0.03020764 0.0092129 0.02039536
0.01312329 -0.01198696 0.00587582 0.00114011]]
(32, 28, 28, 1)
Logits: [[-0.03150982 0.04380588 0.02759154 -0.04930525 0.0152742 0.03806124
0.02004753 -0.01281266 0.01789122 0.00325774]]
由此可見,每次得到的要輸入模型的樣本數都是32個。Logits是取這32個樣本中的第一個輸入模型時得到的結果。
優化器+損失函數
optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
訓練過程
loss_history = []
for (batch, (images, labels)) in enumerate(dataset.take(400)):
if batch % 10 == 0:
print('.', end='')
with tf.GradientTape() as tape:
logits = mnist_model(images, training=True)
loss_value = loss_object(labels, logits)
loss_history.append(loss_value.numpy().mean())
grads = tape.gradient(loss_value, mnist_model.trainable_variables)
optimizer.apply_gradients(zip(grads, mnist_model.trainable_variables))
以上涉及梯度帶的使用,請參考:Tensorflow中的梯度帶(GradientTape)以及梯度更新。
畫出損失圖
plt.plot(loss_history)
plt.xlabel('Batch #')
plt.ylabel('Loss [entropy]')
plt.show()