【典型案例】用 Notebook 实现手写数字识别
- 2019 年 11 月 11 日
- 筆記
场景背景
手写数字识别是图像识别领域基本任务之一，旨在通过机器学习或深度学习算法将每张手写数字图片分类到0 – 9的数字标签中。在海量的手写数字图像数据集中，MNIST 数据集被学术界、工业界广泛研究。
本文通过智能钛机器学习平台提供的 Notebook，利用 TensorFlow 框架构建一个简单的神经网络来实现 MNIST 手写数字识别。通过本文的学习，您可了解到如何通过智能钛机器学习平台实现您自己的代码。
数据集介绍
用户可从 MNIST 官网 下载 MNIST 数据集，该数据集由来自250个不同人手写的数字构成，共包含60,000个训练数据，10,000个测试数据，每个数据都是一张28px * 28px大小的灰度图像，该图像空白像素标记为0，有笔迹的地方用0 – 1之间的数值标记笔迹颜色的深浅。手写数字图像示例如下：
整体流程
在智能钛机器学习平台提供的 Notebook 中完成手写数字识别的任务，我们需要完成以下几个步骤：
1.新建 Notebook 容器
2.在 Notebook 中，创建 MNIST 手写数字识别项目
- 创建 Python 文件
- 从 MNIST 官网下载数据集并上传到项目文件夹中
3.利用 TensorFlow 实现手写数字识别：
- 安装并导入所需依赖包
- 加载 MNIST 数据集
- 数据集可视化展示
- 构建手写数字识别模型
- 模型评估输出模型准确率
详细流程
新建 Notebook 容器
1.登录智能钛机器学习平台控制台后，单击顶层菜单栏的【Notebook】，页面跳转至 Notebook 容器列表页面。单击【新增】，配置容器参数：
- 容器名称：MNIST 手写数字识别
- 框架选择：tensorflow/1.12
- 资源选择：后付费/CPU/2核4G内存
- 存储桶：此处请选择您自己在 COS 上的存储桶
2.待 Notebook 容器创建完成后状态为：运行中，单击【打开】进入 Notebook 操作页面
创建 MNIST 手写数字识别项目
1.在 Notebook 操作页面，选择【Python3】，进入项目后，将项目重命名为：MNIST.ipynb
2.在 MNIST.ipynb 的同级目录处，新建文件夹【MNIST_data】，并将 MNIST 官网 提供的四个数据集下载后上传至该文件夹中：
- train-images-idx3-ubyte.gz
- train-labels-idx1-ubyte.gz
- t10k-images-idx3-ubyte.gz
- t10k-labels-idx1-ubyte.gz
利用 TensorFlow 实现 MNIST 手写数字识别
1.在 Notebook 中安装并导入所需依赖包
<!–您可直接复制以下所有代码块到 Notebook 中运行–>
! pip install --user --upgrade pip ! pip install --user tensorflow import matplotlib.pyplot as plt import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data from tensorflow.examples.tutorials.mnist import input_data
2.加载 MNIST 数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
3.可视化查看数据内容
选择数据集中的一个示例打印出来，查看数据内容。
说明：此处打印的数据每次都是随机的，可能内容不一样。
为更直接查看数据图像内容，我们可将数据 reshape 成28 * 28的矩阵，然后打印一个黑白图片（Greys），同时输出查看该图片的标签（数字“8”的标签会在10维向量中第9位设置为1，其余为0）
im = mnist.train.images[0].reshape(28, 28) plt.imshow(im, cmap='Greys') plt.show() print(mnist.train.labels[0])
4.搭建手写数字识别模型
# 模型构建 sess = tf.InteractiveSession() x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x,W) + b) y_ = tf.placeholder(tf.float32, [None,10]) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 模型训练 tf.global_variables_initializer().run() for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) train_step.run({x: batch_xs, y_: batch_ys})
5.模型评估
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print('MNIST手写数字模型准确率：') print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
注意：由于随机因素的存在，模型每次运行准确率不一定完全一致
模型准确率输出可参考下图示例：
腾讯云一站式机器学习平台智能钛TI-ONE试运营阶段限时0折，欢迎大家积极试用。
https://cloud.tencent.com/product/tio
更多优质技术文章请关注官方知乎机构号：
https://www.zhihu.com/org/teng-xun-zhi-neng-tai-ji-qi-xue-xi-ping-tai/activities
更多优质技术文章请关注官方微信公众号：
