k@M0me’s Humble Abode      博  客   时 间 线   归  档 



机器学习
Published on Tue Aug 03 2021 12:00:01 GMT+0000

入门

机器学习的基本方法:任务T在得到经验E后提高性能度量P

监督学习

监督学习:找正确答案

1、回归问题:找函数,预测连续值

2、分类问题:预测离散值

无监督学习

无监督学习:自己找数据的结构和规律(并不提前给出正确答案)

聚类算法:将不同的内容整合为几个集合

神经网络

神经网络是一个可以学习模式的函数集合。

卷积

通过某种方式处理图像,使之呈现出某种特征

池化

处理图像的一种方式,取某些像素的最大、平均值或其他特征值

TensorFlow

实例1:图像分类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np

#回调,当准确度达到80%时停止训练
class callBack(tf.keras.callbacks.Callback):
def on_epoch_end(self, epoch, logs={}):
if(logs.get('loss')<0.2):
print('\nReached 80%')
self.model.stop_training = True
cb1 = callBack()

#导入Fashion数据集
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

#这里的没什么用
plt.imshow(training_images[0])
print(training_images[0])
print((training_labels[0]))

#将像素0-255表示转为更容易处理的0-1表示
training_images = training_images/255
test_images = test_images/255

#升维,以便卷积
training_images = np.expand_dims(training_images, axis=3)
test_images = np.expand_dims(test_images, axis=3)

#神经网络
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)),#卷积1
tf.keras.layers.MaxPooling2D(2,2),#最大池化
tf.keras.layers.Conv2D(64,(3,3),activation='relu'),#卷积2
tf.keras.layers.MaxPooling2D(2,2),#最大池化
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(256,activation=tf.nn.relu),#全连接层
tf.keras.layers.Dense(10,activation=tf.nn.softmax)]
)

#训练
model.compile(optimizer=tf.optimizers.Adam(),
loss='sparse_categorical_crossentropy')
model.summary()
model.fit(training_images,training_labels,epochs=15,
callbacks=[cb1]
)

#评估结果
model.evaluate(test_images,test_labels)