TensorFlow環(huán)境搭建

mac os環(huán)境:

macOS 10.12.6（Sierra）或更高版本（不支持GPU）
需要 Xcode 8.3 或更高版本

• 使用Python的pip軟件包管理器安裝TensorFlow

//首次安裝
pip install tensorflow

//升級
pip install --user --upgrade tensorflow


//驗證是否安裝成功
python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"

如果出現(xiàn)像我一樣的報錯

err

更新庫:

pip install --upgrade numpy

• docker 容器運行tensorflow

首先在mac os安裝docker,使用docker 命令在終端運行容器

推薦使用這種方式,部署簡單隨心所欲

//在容器中run tensorflow 映射本地端口 
docker run  --name=tensorflow  -it --rm -v $(realpath ~/notebooks):/tf/notebooks -p 8888:8888 tensorflow/tensorflow:latest-py3-jupyter

docker 容器運行后會看到token

tensorflow容器運行成功

保持容器后臺運行并推出 : control + p , control +q

使用Jupyter notebook server進行操作,使用瀏覽器打開
http://localhost:8888

copy token值點擊login,寫下造物主語句hello wold

//測試代碼

import tensorflow as tf
from tensorflow.keras import layers

print(tf.VERSION)
print(tf.keras.__version__)

tf.enable_eager_execution(); 
print(tf.reduce_sum(tf.random_normal([1000, 1000])));

tensorflow容器運行成功

TensorFlow Keras指南

TensorFlow是一個用于研究和生產(chǎn)的開源機器學習庫。TensorFlow為初學者和專家提供API，以便為桌面，移動，Web和云開發(fā)

高級Keras API提供構(gòu)建塊來創(chuàng)建和訓練深度學習模型

• 訓練第一個神經(jīng)網(wǎng)絡(luò)-基礎(chǔ)分類

案例是Google出的學習Demo

使用的是 tf.keras，它是一種用于在 TensorFlow 中構(gòu)建和訓練模型的高階 API

copy一下code至juputer 運行,可以自己調(diào)試

# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

# Fashion MNIST 數(shù)據(jù)集導入
# 將使用 60000 張圖像訓練網(wǎng)絡(luò)，并使用 10000 張圖像評估經(jīng)過學習的網(wǎng)絡(luò)分類圖像的準確率
# 加載數(shù)據(jù)集會返回 4 個 NumPy 數(shù)組
fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()


# 標簽是整數(shù)數(shù)組，介于 0 到 9 之間。這些標簽對應(yīng)于圖像代表的服飾所屬的類別

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# 檢查數(shù)據(jù)格式
# 60000 張圖像，每張圖像都表示為 28x28 像素
# 輸出為(60000, 28, 28)
train_images.shape
# 數(shù)據(jù)長度
len(train_labels)
print("數(shù)據(jù)長度:",len(train_labels))

train_labels
print("標簽:",train_labels)

# 測試集1000張 28*28像素的圖片
test_images.shape

print("數(shù)據(jù)預(yù)處理,檢查第一張圖 應(yīng)該 0 到 255 之間")

#訓練的時候注釋掉,但必須運行一次
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)

# 將這些值縮小到 0 到 1 之間，然后將其饋送到神經(jīng)網(wǎng)絡(luò)模型,將圖像組件的數(shù)據(jù)類型從整數(shù)轉(zhuǎn)換為浮點數(shù)，然后除以 255
train_images = train_images / 255.0

test_images = test_images / 255.0

#訓練的時候注釋掉,但必須運行一次
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
    
 

print("構(gòu)建神經(jīng)網(wǎng)絡(luò)需要先配置模型的層，然后再編譯模型")

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

# 編譯模型
print("start 編譯模型")

model.compile(optimizer=tf.train.AdamOptimizer(),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 訓練模型 epochs值自己修改
print("start 訓練模型")

model.fit(train_images, train_labels, epochs=5)


print ("評估準確率:比較一下模型在測試數(shù)據(jù)集上的表現(xiàn)")
test_loss, test_acc = model.evaluate(test_images, test_labels)

print('測試數(shù)據(jù)的準確率:', test_acc)


print ("做出預(yù)測")
predictions = model.predict(test_images)

#看看第一個預(yù)測  ,數(shù)組的10個數(shù)字代表了每個標簽的可信度預(yù)測
predictions[0]

print("獲取可信度最大值:",np.argmax(predictions[0]))

# 檢查測試標簽以查看該預(yù)測是否正確
test_labels[0]

# 將該預(yù)測繪制成圖來查看全部 10 個通道
def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
  plt.grid(False)
  plt.xticks([])
  plt.yticks([])

  plt.imshow(img, cmap=plt.cm.binary)

  predicted_label = np.argmax(predictions_array)
  if predicted_label == true_label:
    color = 'blue'
  else:
    color = 'red'

  plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

def plot_value_array(i, predictions_array, true_label):
  predictions_array, true_label = predictions_array[i], true_label[i]
  plt.grid(False)
  plt.xticks([])
  plt.yticks([])
  thisplot = plt.bar(range(10), predictions_array, color="#777777")
  plt.ylim([0, 1])
  predicted_label = np.argmax(predictions_array)

  thisplot[predicted_label].set_color('red')
  thisplot[true_label].set_color('blue')


print("看看第 0 張圖像、預(yù)測和預(yù)測數(shù)組")

i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)

# 看看第 12 張圖像、預(yù)測和預(yù)測數(shù)組

i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)



num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows, 2*num_cols, 2*i+1)
  plot_image(i, predictions, test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions, test_labels)
    
   
# 最后，使用經(jīng)過訓練的模型對單個圖像進行預(yù)測
print("最后，使用經(jīng)過訓練的模型對單個圖像進行預(yù)測")

img = test_images[0]

print(img.shape)


#tf.keras 模型已經(jīng)過優(yōu)化，可以一次性對樣本批次或樣本集進行預(yù)測

img = (np.expand_dims(img,0))

print(img.shape)


# 預(yù)測這張圖像
predictions_single = model.predict(img)

print(predictions_single)

plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)


np.argmax(predictions_single[0])
    
    

可以看到訓練的次數(shù)增加,模型準確度也變高,是不是越多越好呢?當然不是

模型訓練

識別結(jié)果:mode對測試集進行識別

mode對測試集進行識別