-
人工智能。
查看全部 -
MNIST数据集
查看全部 -
怎么没人呢
查看全部 -
我就过来看看
查看全部 -
1.首先使用mnist来input数据,之后建立模型,调用模型,训练模型,把模型结果保存,然后在main.py中把模型拿出来取用,然后前端传进来之后调用模型。
2.还可以引申来分类一些图像,分类一些动物,做自然语言处理,来做一个聊天机器人,或者训练生成古诗词,都可以使用上面的方法。我们只要把模型训练好之后,通过Flask调用模型载入进来,白鹭给API的接口,供我们后期的使用。
查看全部 -
1.启动之后需要调用,如何调用呢?需要编写一个前端界面。
2.写好前端页面之后需要将index.html和main.py绑定。
@app.route('/') # 将index.html和main.py绑定
def main():
return render_template('index.html')
3.在这个项目中,数据是如何传递的呢以及如何进行交互的呢?
数据在前端界面输入后,先传到main.js,使用data来进行转换格式和传到后台,调用模型之后把结果放到output1和output2,打包成json格式返回给前端,展示。
查看全部 -
1.在GPU上运行可能会稍微快一些比在CPU上。
2. for i in range(20000): # 对于这样的卷积训练一般要做10000-20000次的循环
batch = data.train.next_batch(50) # 定义batch的大小
if i % 100 == 0: # 每隔100次准确率做一次打印
train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
print('step %d, training accuracy %g' % (i, train_accuracy)) # 打印
sess.run(train_step, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print(sess.run(accuracy, feed_dict={x: data.test.images, y_: data.test.labels, keep_prob: 1.0}))
# 保存
path = saver.save(
sess, os.path.join(os.path.dirname(__file__), 'data', 'convolutional.ckpt'),
write_meta_graph=False, write_state=False
)
print('Saved:', path)
查看全部 -
1.定义完卷积的模型之后,定义卷积的文件:model->convolutional
import os
from mnist import model
import tensorflow as tf
from mnist import input_data
data = input_data.read_data_sets('MNIST_data', one_hot=True)
# model
with tf.variable_scope('convolutional'):
x = tf.placeholder(tf.float32, [None, 784], name='x')
keep_prob = tf.placeholder(tf.float32)
y, variables = model.convolutional(x, keep_prob)
# train
y_ = tf.placeholder(tf.float32, [None, 10], name='y')
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
train_step = -tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) # 随机梯度下降的方式
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 判断参数是否相等
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
saver = tf.train.Saver(variables)
with tf.Session() as sess:
merged_summary_op = tf.summary.merge_all() # 合并参数,操作符
summary_writer = tf.summary.FileWriter('/tmp/mnist_log/1', sess.graph) # 将参数的路径、输入输出图放到哪里
summary_writer.add_graph(sess.graph) # 把图加进来
sess.run(tf.global_variables_initializer())
查看全部 -
1.# 第二层实际上和第一层是一样的
W_conv2 = weight_variable([5, 5, 32, 64]) # 权重
b_conv2 = bias_variable([64]) # 偏置项
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # 定义卷积
h_pool2 = max_pool_2x2(h_conv2) # 定义池化
# full connection
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) # 全连接层的池化
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # dropout 可以扔掉一些值,防止过拟合
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
return y, [W_conv1, b_conv1, W_conv2, b_conv2, W_fc1, b_fc1, W_fc2, b_fc2]
查看全部 -
1.开始训练,训练完之后进行保存:
# 参数进行保存
saver = tf.train.Saver(variables)
# 开始训练
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 把全部的参数放进来,进行全局初始化
for _ in range(1000): # 训练1000次
batch_xs, batch_ys = data.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # feed_dict:喂参数,x放的batch_xs,y_放的batch_ys
print((sess.run(accuracy, feed_dict={x: data.test.images, y_: data.test.labels}))) # 打印测试集的图像和标签
path = saver.save(
# 把数据存进去,把这个模型的名字存成regression.ckpt,在这里注意data文件夹的创建
sess, os.path.join(os.path.dirname(__file__), 'data', 'regression.ckpt'),
write_meta_graph=False, write_state=False # 写到图中
) # 把数据或者说是参数或者说是模型存起来
print('Saved:', path) # 把保存模型的路径打印出来
查看全部 -
1.项目要达成的效果:
2.python环境:anaconda,是python语言最常用的环境之一,包含大量的科学包及其依赖。
IDE:Pycharm
1. mnist训练分为两个部分:mnist训练的部分和前端界面的部分。
2. 在python中或者TensorFlow中,下载mnist数据集有两种方式:第一种从网上下载导到工作目录中,第二种是通过代码编写下载mnist数据集。下载的MNIST数据集有四个文件,分为两部分,测试集和训练集,然后每一部分都分为image和label,一一对应。
下载MNIST数据集:
input_data.py(这部分代码可以在官网中找到)——》regression.py中调用导入数据集(read_data_sets())
查看全部 -
1.Flask框架是一个轻量级的web应用框架。所谓的轻量级说的是无需编写太多编码便可以实现很多功能。应用框架是指可以把这个框架做成一个个接口、后台、应用。Flask框架使用Python语言进行编写。
2.训练MNIST数据集的训练步骤:
1)下载数据集2)编写训练程序3)训练模型4)验证训练的模型(准确率等)
3.使用Flask调用模型的调用步骤:
1)使用训练好的模型
2)定义参数
3)通过端进行传参(不单单是指web前端,还有比如说手绘板等都是一个端)
4)进行数据验证并返回
4.整合步骤:
1)训练并生成模型
2)暴露接口,传递接口的方法有两种:用谷歌自带的grpc接口或者用web框架
3)前端调用
4)验证并返回结果
查看全部 -
1.MNIST数据集是由Google和纽约大学克朗研究所共同建立的手写数字的数据库。共有70000张训练图像(包括60000张训练图像和10000张测试图像)。所有图像均是0-9的手写数字。
我们在做深度学习模型时,一般需要有两种数据集,一种是训练数据集,用于生成模型,一种是测试
数据集,用于验证。
2.MNIST数据集展现形式:
由上可知,我们以后在选择数据集的时候应该让数据具有唯一性。
查看全部 -
1.TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统(DistBelief是谷歌的第一代人工智能系统)。Alpha-go用的就是TensorFlow框架。可被用于语音识别或图像识别等多项机器学习和深度学习领域。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow支持CNN、RNN和LSTM算法,这都是目前在Image、Speech和NLP最流行的深度神经网络模型。CNN一般用于图像识别,RNN一般用于文本处理,LSTM是RNN的一种变体。
查看全部 -
https://github.com/GeoLibra/mnist_test.git
查看全部
举报