产品
众所周知，人类在很小的时候就学会了识别和标记自己所看到的事物。如今，随着机器学习和深度学习算法的不断迭代，计算机已经能够以非常高的精度，对捕获到的图像进行大规模的分类了。目前，此类先进算法的应用场景已经涵括到了包括：解读肺部扫描影像是否健康，通过移动设备进行面部识别，以及为零售商区分不同的消费对象类型等领域。
下面，我将和您共同探讨计算机视觉（Computer Vision）的一种应用——图像分类，并逐步展示如何使用TensorFlow，在小型图像数据集上进行模型的训练。
在本示例中，我们将使用MNIST数据集的从0到9的数字图像。其形态如下图所示：
我们训练该模型的目的是为了将图像分类到其各自的标签下，即：它们在上图中各自对应的数字处。通常，深度神经网络架构会提供一个输入、一个输出、两个隐藏层（Hidden Layers）和一个用于训练模型的Dropout层。而CNN或卷积神经网络（Convolutional Neural Network）是识别较大图像的首选，它能够在减少输入量的同时，捕获到相关的信息。
首先，让我们通过TensorFlow、to_categorical（用于将数字类的值转换为其他类别）、Sequential、Flatten、Dense、以及用于构建神经网络架构的 Dropout，来导入所有相关的代码库。您可能会对此处提及的部分代码库略感陌生。我会在下文中对它们进行详细的解释。
import tensorflow as tf
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense, Dropout
params = {
'dropout': 0.25,
'batch-size': 128,
'epochs': 50,
'layer-1-size': 128,
'layer-2-size': 128,
'initial-lr': 0.01,
'decay-steps': 2000,
'decay-rate': 0.9,
'optimizer': 'adamax'
}
mnist = tf.keras.datasets.mnist
num_class = 10
# split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# reshape and normalize the data
x_train = x_train.reshape(60000, 784).astype("float32")/255
x_test = x_test.reshape(10000, 784).astype("float32")/255
# convert class vectors to binary class matrices
y_train = to_categorical(y_train, num_class)
y_test = to_categorical(y_test, num_class)由于TensorFlow库也包括了MNIST数据集，因此您可以通过调用对象上的 datasets.mnist ，再调用load_data() 的方法，来分别获取训练（60,000个样本）和测试（10,000个样本）的数据集。
接着，您需要对训练和测试的图像进行整形和归一化。其中，归一化会将图像的像素强度限制在0和1之间。
最后，我们使用之前已导入的to_categorical 方法，将训练和测试标签转换为已分类标签。这对于向TensorFlow框架传达输出的标签（即：0到9）为类（class），而不是数字类型，是非常重要的。
下面，让我们来了解如何在细节上设计神经网络架构。
我们通过添加Flatten ，将2D图像矩阵转换为向量，以定义DNN（深度神经网络）的结构。输入的神经元在此处对应向量中的数字。
接着，我使用Dense() 方法，添加两个隐藏的密集层，并从之前已定义的“params”字典中提取各项超参数。我们可以将“relu”（Rectified Linear Unit）作为这些层的激活函数。它是神经网络隐藏层中最常用的激活函数之一。
然后，我们使用Dropout方法添加Dropout层。它将被用于在训练神经网络时，避免出现过拟合（overfitting）。毕竟，过度拟合模型倾向于准确地记住训练集，并且无法泛化那些不可见（unseen）的数据集。
输出层是我们网络中的最后一层，它是使用Dense() 方法来定义的。需要注意的是，输出层有10个神经元，这对应于类（数字）的数量。
复制
# Model Definition
# Get parameters from logged hyperparameters
model = Sequential([
Flatten(input_shape=(784, )),
Dense(params('layer-1-size'), activatinotallow='relu'),
Dense(params('layer-2-size'), activatinotallow='relu'),
Dropout(params('dropout')),
Dense(10)
])
lr_schedule =
tf.keras.optimizers.schedules.ExponentialDecay(
initial_learning_rate=experiment.get_parameter('initial-lr'),
decay_steps=experiment.get_parameter('decay-steps'),
decay_rate=experiment.get_parameter('decay-rate')
)
loss_fn = tf.keras.losses.CategoricalCrossentropy(from_logits=True)
model.compile(optimizer='adamax',
loss=loss_fn,
metrics=['accuracy'])
model.fit(x_train, y_train,
batch_size=experiment.get_parameter('batch-size'),
epochs=experiment.get_parameter('epochs'),
validation_data=(x_test, y_test),)
score = model.evaluate(x_test, y_test)
# Log Model
model.save('tf-mnist-comet.h5')至此，我们已经定义好了架构。下面让我们用给定的训练数据，来编译和训练神经网络。
首先，我们以初始学习率、衰减步骤和衰减率作为参数，使用ExponentialDecay（指数衰减学习率）来定义学习率计划。
其次，将损失函数定义为CategoricalCrossentropy（用于多类式分类）。
接着，通过将优化器 (即：adamax)、损失函数、以及各项指标（由于所有类都同等重要、且均匀分布，因此我选择了准确性）作为参数，来编译模型。
然后，我们通过使用x_train、y_train、batch_size、epochs和validation_data去调用一个拟合方法，并拟合出模型。
同时，我们调用模型对象的评估方法，以获得模型在不可见数据集上的表现分数。
最后，您可以使用在模型对象上调用的save方法，保存要在生产环境中部署的模型对象。
综上所述，我们讨论了为图像分类任务，训练深度神经网络的一些入门级的知识。您可以将其作为熟悉使用神经网络，进行图像分类的一个起点。据此，您可了解到该如何选择正确的参数集、以及架构背后的思考逻辑。
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
155-2731-8020
