【深度学习】实现基于MNIST数据集的TensorFlow/Keras深度学习案例

实现基于MNIST数据集的TensorFlow/Keras深度学习案例

[Deep Learning] Implement A Deep Learning Project Based-on MNIST Dataset on TensorFlow and Keras

By Jackson@ML

0. 什么是深度学习？

深度学习是机器学习的一个子集，它使用多层神经网络（称为深度神经网络）来模拟人脑的复杂决策能力。某种形式的深度学习为当今生活中的大多数人工智能 (AI) 应用程序提供支持。

深度学习和机器学习之间的主要区别在于底层神经网络架构。“非深度”的传统机器学习模型使用具有一个或两个计算层的简单神经网络，而深度学习模型则采用三层或更多层（但通常为数百或数千层）来训练模型。
– IBM官网

监督学习模型需要结构化的、标记的输入数据才能完成准确的输出，而深度学习模型可以使用无监督学习。通过无监督学习，深度学习模型可以提取所需的特征、特征和关系，以便由原始的非结构化数据中提取进行准确的输出。此外，这些模型甚至还可以评估和优化输出以提高其精度。

深度学习是数据科学的一个方面，它推动了许多应用程序和服务，这些应用程序和服务可以提高自动化水平，无需人工干预即可执行分析和物理任务。这使得许多每天日常的产品和服务成为可能，例如数字助理、支持语音的电视遥控器、信用卡欺诈检测、自动驾驶汽车和生成式人工智能等。

1. TensorFlow简介

TensorFlow 是一个用于快速数值计算的开源库。TensorFlow （TF） 由 Google Brain 开发，是用于深度学习模型量产的最知名的库。
2015年11月9日，TensorFlow被Google（谷歌）公司所创立，之后由谷歌持续维护至今，并在 Apache 2.0 开源许可下发布。尽管该 API 名义上用于 Python 编程语言，但仍然可以访问底层 C++ API。

与Theano等其他用于深度学习的数值库不同，TensorFlow被设计用于研发和生产系统，尤其是谷歌搜索中的RankBrain和一些有趣的DeepDream项目。

它可以在单个 CPU 系统和 GPU 上运行，也可以在移动设备和数百台机器的大规模分布式系统上运行。

TensorFlow（简称TF）因其知名度而拥有非常庞大的社区。但是，TensorFlow 的学习曲线很陡峭。为了更好地进行深度学习试验，经由Keras 不断积累，则是个不错的选择；它是建立在 TensorFlow 之上的高级 API。与 TF 相比，它显得用户友好且更易于使用，并且用户可以更快地熟悉它，因为它更“pythonic”，也就是更加Python化，具有更多Python的特点。

那么，为什么不单独使用Keras呢？当然可以。但是，如果想更好地控制模型网络，获得更好的调试，或者开发新的网络并在未来进行一些深度学习研究，那么 TensorFlow 就是您的最佳选择。

在本文的简短介绍中，将引导和帮助您搭建 TensorFlow 深度学习环境。Keras API 包含在 TensorFlow 中，但您也可以单独下载和使用它。

2. Keras简介

Keras是一个基于Python的深度学习框架，可以方便地定义和训练几乎所有类型的深度学习模型。
Keras源于宽松的MIT许可证发布，因此，用户可以在商业项目中免费使用它，并且，它兼容所有版本的Python（从Python 2.7到Python 3.7及以上版本）。

Keras是一个模型级(model-level)的库，为开发深度学习提供了高层次的构建模块，它依赖一个专用的、高度优化的张量库，即后端引擎(backend engine)。

目前Keras有几个后端实现，其中，TensorFlow后端就是最流行的深度学习平台。
因此，本文项目案例，除了使用TensorFlow之外，还需要安装和导入Keras.

3. 安装TensorFlow前的注意事项

安装前的一些注意事项包括：是否使用 GPU？
图形处理单元 （GPU） 是一种微处理芯片，旨在处理计算环境中的图形，并且可以具有比中央处理器 （CPU） 多得多的内核。更多的 GPU 内核允许更好地计算多个并行进程。如果您可以访问 GPU，您如何使用它？

• 在用户计算机上，如果您使用 pip 安装了 TensorFlow，则最新版本将支持 GPU。对于 1.15 及更早版本，CPU 和 GPU 包是分开的。
  以下分别是支持CPU和GPU的安装命令：

pip install tensorflow （for CPU）

pip install tensorflow-gpu （for GPU）

• 但是，这并不那么简单，因为您还需要安装一些NVIDIA®软件要求。建议遵循 TensorFlow 的安装说明来了解 GPU 支持。

4. 安装Anaconda3及搭建TensorFlow环境

1） 下载安装Anaconda Navigator

笔者之前发布过关于Anaconda3安装指南 - 《2024最新版Anaconda Navigator安装使用指南》，以下是访问链接，敬请关注。
https://blog.csdn.net/jackson_lingua/article/details/139386602?spm=1001.2014.3001.5501

2） 创建最新版Python 3.12.X适用的TensorFlow虚拟环境

由于Anaconda Navigator已经安装完毕，因此，我们使用Anaconda的命令行终端来操作创建基于最新版Python 3.12.x的TensorFlow虚拟化环境。

conda create -n tensorflowenv python==3.12

执行结果如下图所示：

注： Anaconda Navigator安装过程中，可能要求用户选择默认配置，即选择内置的Python 3.11安装包，如果选择并完成安装，则上述命令中的Python版本，可以修改为python==3.11.

3） 激活TensorFlow虚拟环境

创建完毕虚拟环境后，打开Anaconda Prompt命令行窗口并“以管理员身份运行”，执行以下命令激活虚拟环境：

conda activate tensorflowenv

激活成功后，命令行变为：

(tensorflowenv) C:\WINDOWS\system32\

4） 安装TensorFlow

在pypi.org官网项目清单中，查到TensorFlow安装命令很简单：

pip install tensorflow

但由于实际搭建环境的时候，计算机可能附带有不同版本的Python，同时，海内外有很多后台服务器都可能在为tensorflow服务。

在国内搭建环境，为了加快下载安装速度，可以打开Anaconda Prompt(以管理员身份运行），继续在虚拟环境下，使用conda命令从以下两个镜像网站之一安装TensorFlow:

A. 从阿里云的pip源安装TensorFlow：

pip install tensorflow -i https://mirrors.aliyun.com/pypi/simple

B. 从清华大学镜像网站安装:

https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/
点击该网页，选择适用于Windows系统的安装链接，再次使用pip来安装TensorFlow软件包。

5） 验证TensorFlow版本

仍然打开Anaconda Prompt 命令行窗口并且以管理员身份运行。

执行python命令，运行Python交互式解释器窗口。

C:\WINDOWS\system32\python

使用命令如下图，验证TensorFlow版本

>>> import tenforflow as tf
>>> print(tf.__version__)

可以看出，TensorFlow版本验证，是通过调用tf对象（即Tensor Flow的实例）的__version__来查看的。

查看的结果是，TensorFlow当前版本为 2.16.1，的确是最新的发行版本，于2024年3月9日发布。

5. 认识并下载MNIST数据集

1) MNIST数据集简介

MNIST数据库（修改后的国家标准与技术研究院数据库）是手写数字的大量集合。它有一个包含 60,000 个示例的训练集和一个包含10,000个示例的测试集。它是更大的NIST特殊数据库3（由美国人口普查局的员工编写的数字）和特殊数据库1（由高中生编写的数字）的子集，其中包含手写数字的单色图像。这些数字已标准化大小，并在固定大小的图像中居中。
NIST的原始黑白（双层）图像经过大小归一化，以适合20x20像素的框，同时保持其纵横比。生成的图像包含灰度，这是归一化算法使用的抗锯齿技术的结果。通过计算像素的质心，将图像置于 28x28 图像的中心，并平移图像，以便将该点定位在 28x28 场的中心。
– 来自于 https://paperswithcode.com/dataset/mnist

• MNIST 数据集是 70,000 个手写数字 （0-9） 的集合，每个图像为 28×28 像素。以下是指定格式的数据集信息：

  实例数：70,000 张图像
  属性数量：784（28×28像素）
  目标：列表示手写图像对应的数字 （0-9）
  像素 1-784：每个像素值 （0-255） 表示图像中相应像素的灰度强度。
  数据集分为两个主要子集：
  训练集：由 60,000 张图像及其标签组成，通常用于训练机器学习模型。
  测试集：包含 10,000 张图像及其相应的标签，用于评估训练模型的性能。

2) MNIST数据集的功能

MNIST 数据集目前代表了图像处理和机器学习中许多任务的主要输入，可以追溯到美国国家标准与技术研究院 （NIST）。NIST是一家专注于测量科学和标准的美国政府机构，负责管理各种数据集，包括两个与手写数字特别相关的数据集：

特殊数据库 1 （SD-1）：由于作为美国人口普查局的雇员，工作场所中有相当多的人口是私人手写数据——它们都来自理想的来源。人口普查人员重复处理书面值，从而使他们的样本在算法训练中成功的机会很高。
特别数据库3（SD-3）：该数据集包含由学生提供的高中生的数字化笔迹数字。然而，就真实性而言，这些信息看起来不如人口普查局提供的数字那么“官方”，但最棒的是它们适用于各种写作风格。

3) 对于MNIST数据集的典型工作流程

对于MNIST数据集的典型Keras工作流程如下：

• 1.定义训练数据：输入张量和目标张量；
• 2.定义层组成的网络（或模型），将输入映射到目标；
• 3.配置学习过程：选择损失函数、优化器和需要监控的指标；
• 4.调用模型的fit方法，在训练数据上迭代。

4) 下载MNIST数据集

打开Chrome浏览器，在必应搜索引擎(https://cn.bing.com)中，搜索关键字，可以找到MNIST数据集在Github的链接：https://github.com/cvdfoundation/mnist

点击进入该页面，看到需要下载的共有四个链接，分别是：

• Training images,
• Training labels,
• Testing images,
• Testing labels

如下图图所示。

点击各个链接，很快，数据集文件就下载到Windows中；从“下载”文件夹里，可以看到这四个gz结尾的文件，如下图所示：

6. TensorFlow/Keras项目案例

完成了上述步骤的准备工作，并分别验证各个第三方库安装正确后，就可以导入并使用TensorFlow库了。
在虚拟环境下，标准导入命令为：

import tensorflow

以下举两个例子，分别来看如何使用TensorFlow/Keras实现对MNIST数据集的深度学习过程。

1) 深度学习案例一

示例代码如下：

# Import libraries and framework
from tensorflow import  keras
from keras import datasets
import  matplotlib.pyplot as plt
import  numpy as np
import gzip

# To load FashionMNIST dataset，there are two ways below
# 1.Online downloading mode
(x_train,y_train),(x_test,y_test)= datasets.fashion_mnist.load_data()
# 2.Local dataset reading mode（download and save datasets into a path）
# def load_data(path,files):
#     paths = [path+ each for each in files ]
#     with gzip.open(paths[0], 'rb') as lbpath:
#         train_labels = np.frombuffer(lbpath.read(), np.uint8, offset=8)
#     with gzip.open(paths[1], 'rb') as impath:
#         train_images = np.frombuffer(impath.read(), np.uint8, offset=16).reshape(len(train_labels),28,28)
#     with gzip.open(paths[2], 'rb') as lbpath:
#         test_labels = np.frombuffer(lbpath.read(), np.uint8, offset=8)
#     with gzip.open(paths[3], 'rb') as impath:
#         test_images = np.frombuffer(impath.read(), np.uint8, offset=16).reshape(len(test_labels), 28, 28)
#     return (train_labels,train_images), (test_labels,test_images)

# Define a path to dedicated dataset
path = './dataset/FashionMNIST/'

files = ['train-labels-idx1-ubyte.gz','train-images-idx3-ubyte.gz', 't10k-labels-idx1-ubyte.gz',  't10k-images-idx3-ubyte.gz']

# Call local saved dataset to extract training data and testing data
# (y_train, x_train), (y_test, x_test) = load_data(path, files)

# print out the shape of training and testing set
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)
# training set and testing set
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)
# combine the training and testing dataset
x_train = x_train / 255.0
x_test = x_test / 255.0

# Build a LeNet-5 model
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(512, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])
# print out network structure
model.summary()
# Complie a model
model.compile(loss='sparse_categorical_crossentropy',
              optimizer=keras.optimizers.Adam(lr=0.001),
              metrics=['accuracy'])

# A model training test set
# Using the model training method - model.fit()
epochs = 5
batch_size = 128
# Visualize the training process
history = model.fit(x_train, y_train, batch_size=batch_size, epochs=5, shuffle=True,
                    validation_data=(x_test, y_test))

# Visualize the loss rate of process，save it as an image
plt.figure('loss')
plt.plot(np.arange(0,epochs),history.history['loss'] , 'r', label="Train_loss")
plt.plot(np.arange(0,epochs), history.history['val_loss'], 'b', label="Valid_loss")
plt.title("Loss")
plt.xlabel('epochs')
plt.ylabel('train/test loss')
plt.grid(True)
plt.legend()
# save the result as an image
plt.savefig('./loss.png')

# a model training and visualization process
plt.figure('accuracy')
plt.plot(np.arange(0,epochs), history.history['accuracy'], 'r', label="Train_acc")
plt.plot(np.arange(0,epochs), history.history['val_accuracy'], 'b', label="Valid_acc")
plt.title("Acc")
plt.xlabel('epochs')
plt.ylabel('train/test acc')
plt.grid(True)
plt.legend()
# Set and save the result as an image
plt.savefig('./acc.png')
plt.show()
plt.close()

运行结果如下图所示：

2) 深度学习案例二

以下代码示例，为加载 MNIST 数据集的Keras 示例，检索训练图像和标签，然后连续绘制四个图像及其相应的标签。每个图像都以灰度显示。

示例代码如下：

# Import libraries
from tensorflow.keras.datasets import mnist
import matplotlib.pyplot as plt
import numpy as np

# Load the MNIST dataset
(X_train, y_train), (_, _) = mnist.load_data()

# Print 4 images in a row
plt.figure(figsize=(10, 5))
for i in range(4):
    plt.subplot(1, 4, i+1)
    plt.imshow(X_train[i], cmap='gray')
    plt.title(f"Label: {y_train[i]}")
    plt.axis('off')
plt.tight_layout()
plt.show()

运行结果如下图所示：

以上就是运用TensorFlow/Keras进行深度学习的基础环境搭建及应用过程。

基于深度学习，后续还有更多案例，敬请关注, 并欢迎点赞收藏。

您的认可，我的动力！😊

继续你的创作。