MNIST 手写数字识别模型分析
功能概述
这段代码实现了一个基于TensorFlow和Keras的MNIST手写数字识别模型。主要功能包括：
- 加载并预处理MNIST数据集
- 构建一个简单的全连接神经网络模型
- 训练模型并评估其性能
- 使用训练好的模型进行预测
- 保存和加载模型
代码解析
1. 导入必要的库
import matplotlib
import tensorflow.keras as keras
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from pasta.augment import inline- 导入TensorFlow和Keras用于构建和训练神经网络
- 导入NumPy用于数值计算
- 导入Matplotlib用于数据可视化
- 从pasta.augment导入inline用于在Jupyter Notebook中直接显示图像
2. 打印TensorFlow版本
print(tf.__version__)输出当前使用的TensorFlow版本，用于环境检查。
3. 加载MNIST数据集
path = '../doc/mnist.npz'
with np.load(path) as data:x_train, y_train = data['x_train'], data['y_train']x_test, y_test = data['x_test'], data['y_test']
print(x_train[0])- 从本地文件加载MNIST数据集
- 数据集包含训练集(x_train, y_train)和测试集(x_test, y_test)
- 打印第一个训练样本的像素值
4. 数据可视化
%matplotlib inline
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()- 使用Matplotlib显示第一个训练样本的图像
cmap=plt.cm.binary设置为黑白显示
5. 打印第一个训练样本的标签
print(y_train[0])输出第一个训练样本对应的数字标签。
6. 数据归一化
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)
print(x_train[0])- 对图像数据进行归一化处理，将像素值缩放到0-1范围
- 打印归一化后的第一个训练样本
7. 构建神经网络模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))- 创建一个Sequential模型
- 添加Flatten层将28x28的图像展平为784维向量
- 添加两个全连接层(Dense)，每层128个神经元，使用ReLU激活函数
- 添加输出层，10个神经元对应10个数字类别，使用Softmax激活函数
8. 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])- 使用Adam优化器
- 使用稀疏分类交叉熵作为损失函数
- 使用准确率作为评估指标
9. 训练模型
model.fit(x_train, y_train, epochs=3)- 训练模型3个epoch
- 使用训练数据进行拟合
10. 评估模型
val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)- 在测试集上评估模型性能
- 输出测试损失和准确率
11. 使用模型进行预测
predictions = model.predict(x_test)
print(predictions)
print(np.argmax(predictions[0]))
plt.imshow(x_test[0], cmap=plt.cm.binary)
plt.show()- 对测试集进行预测
- 打印预测结果(概率分布)
- 使用argmax获取第一个测试样本的预测标签
- 显示第一个测试样本的图像
12. 保存和加载模型
def softmax_v2(x):return tf.keras.activations.softmax(x)new_model = tf.keras.models.load_model('epic_num_reader.model.keras',custom_objects={'softmax_v2': softmax_v2}
)predictions = new_model.predict(x_test)
print(np.argmax(predictions[0]))- 定义一个softmax_v2函数用于兼容性
- 加载之前保存的模型
- 使用加载的模型进行预测
总结
这段代码实现了一个简单但有效的MNIST手写数字分类器。主要特点包括：
- 使用全连接神经网络结构
- 实现了数据预处理和归一化
- 达到了较高的测试准确率(约97%)
- 包含了模型保存和加载功能
- 提供了可视化工具检查数据和预测结果
demo001.ipynb
# 导入 keras 模块
import matplotlib
import tensorflow.keras as keras
# 导入 tensorflow 模块
import tensorflow as tf
# 导入 pasta 模块中的 augment 和 inline 子模块
from pasta.augment import inline# 打印 TensorFlow 的版本
print(tf.__version__)# 指定本地文件路径
path = '../doc/mnist.npz'
# 导入 numpy 模块
import numpy as np
# 从本地加载 MNIST 数据集
with np.load(path) as data:x_train, y_train = data['x_train'], data['y_train']x_test, y_test = data['x_test'], data['y_test']
# 打印训练数据集的第一个样本
print(x_train[0])# 导入 matplotlib.pyplot 模块
import matplotlib.pyplot as plt
# 使用 inline 后，图形将直接显示在 Jupyter Notebook 中
# %matplotlib inline
# 可视化训练数据集的第一个样本
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()# 打印训练标签的第一个样本
print(y_train[0])# 对训练和测试数据进行归一化处理
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)# 打印归一化后的训练数据集的第一个样本
print(x_train[0])# 可视化归一化后的训练数据集的第一个样本
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()# 创建一个 Sequential 模型
model = tf.keras.models.Sequential()
# 添加一个 Flatten 层，用于将输入数据展平
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
# 添加一个 Dense 层，包含 128 个神经元，使用 ReLU 激活函数
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
# 再添加一个 Dense 层，配置同上
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
# 添加一个 Dense 层，包含 10 个神经元，使用 Softmax 激活函数
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))
# 编译模型，指定优化器、损失函数和评估指标
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=3)
# 评估模型
val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)# 使用模型进行预测
predictions = model.predict(x_test)
print(predictions)# 导入 numpy 模块
import numpy as np# 打印第一个测试样本的预测标签
print(np.argmax(predictions[0]))# 可视化第一个测试样本
plt.imshow(x_test[0], cmap=plt.cm.binary)
plt.show()# 保存模型
def softmax_v2(x):# 将 softmax_v2 映射到标准 softmaxreturn tf.keras.activations.softmax(x)# 加载之前保存的模型
new_model = tf.keras.models.load_model('epic_num_reader.model.keras',custom_objects={'softmax_v2': softmax_v2}
)# 使用加载的模型进行预测
predictions = new_model.predict(x_test)
# 打印第一个测试样本的预测标签
print(np.argmax(predictions[0]))