1、 手寫數字圖檔資料集
手寫數字圖檔資料集，它包含了0~9共10種數字的手寫圖檔，采集自不同書寫風格的真實手寫圖檔，一共70000張圖檔。其中60000張圖檔作為訓練集，用來訓練模型，剩下10000張圖檔作為測試集，用來預測或者測試，訓練集和測試集共同組成了整個MNIST資料集。
2、 模型搭建
(x, y), (x_val, y_val) = datasets.mnist.load_data() #加載MNIST資料集
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255. #轉換為浮點數
y = tf.convert_to_tensor(y, dtype=tf.int32) #轉換為整形張量
y = tf.one_hot(y, depth=10) #one-hot 編碼
print(x.shape, y.shape)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y)) #建構資料集
train_dataset = train_dataset.batch(200) #批量訓練
#利用Sequential容器封裝3個網絡層，前網絡層的輸出預設作為下一層的輸入
model = keras.Sequential([
layers.Dense(512, activation='relu'),
layers.Dense(256, activation='relu'),
layers.Dense(10)])
optimizer = optimizers.SGD(learning_rate=0.001)
3、 模型訓練
def train_epoch(epoch):
losses=[]
# Step4.loop
for step, (x, y) in enumerate(train_dataset):
with tf.GradientTape() as tape: #建構梯度記錄環境
# 打平操作：[b, 28, 28] => [b, 784]
x = tf.reshape(x, (-1, 28*28))
# Step1. compute output
# [b, 784] => [b, 10]
out = model(x)
# Step2. compute loss
loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
# Step3. 自動計算參數的梯度 w1, w2, w3, b1, b2, b3
grads = tape.gradient(loss, model.trainable_variables)
# w' = w - lr * grad 更新網絡參數
optimizer.apply_gradients(zip(grads, model.trainable_variables))
if step % 100 == 0:
print(epoch, step, 'loss:', loss.numpy())
return loss
4、 模型運作
def train():
losses = []
for epoch in range(50):
loss=train_epoch(epoch)
losses.append(float(loss))
return losses
if __name__ == '__main__':
losses =train()
plt.figure()
x = [i for i in range(len(losses))]
plt.plot(x, losses, color='C0', marker='s', label='訓練')
plt.ylabel('MSE')
plt.xlabel('Epoch')
plt.legend()
plt.savefig('train.png')
plt.show()
5、 MNIST資料集的訓練誤差曲線
