tensorflow算法：手写数字识别练习题

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 任务 构建手写数字识别机器模型 测试数据MNIST
# 下载数据，准备实验数据集和测试模型数据集
(x, y), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# print('x,x_test,y,y_test的纬度分别为：{0},{1},{2},{3}'.format(x.shape, x_test.shape, y.shape, y_test.shape))
# 将实验数据集分割为两部分数据 一部分用来训练 一部分用来验证模型
#
x_train, x_val = tf.split(x, num_or_size_splits=[50000, 10000], name='x_data')
# print('x_train,x_val纬度信息为：{0},{1}'.format(x_train.shape, x_val.shape))
y_train, y_val = tf.split(y, num_or_size_splits=[50000, 10000], name='y_data')
# print('y_train,y_val纬度信息为：{0},{1}'.format(y_train.shape, y_val.shape))
# 探究数据 以训练集为对象进行探究
# x_train_data = next(iter(x_train))
# y_train_data = next(iter(y_train))
# print(x_train_data, y_train_data)


# x_train中的数据为[28,28],且数据类型为int类型 需要进行数据预处理
def preprocess(x, y):
    x = tf.cast(x, dtype=tf.float32) / 255
    # 将x转化为[-1,784]
    x = tf.reshape(x, [-1, 784])
    # 将y转化为独热编码形式 每个对象为（10,)
    y = tf.one_hot(y, depth=10)
    y = tf.cast(y, dtype=tf.int32)
    return x, y


batchsz = 128  # 以128个数据为一个小批量进行训练
db_train = tf.data.Dataset.from_tensor_slices((x_train, y_train))
db_train = db_train.shuffle(50000).batch(batchsz, drop_remainder=True).map(preprocess)  # 随机打散 再分成128个的批量若干 再map
db_val = tf.data.Dataset.from_tensor_slices((x_val, y_val)).batch(batchsz, drop_remainder=True).map(
    preprocess)  # 验证模型的数据集非必须打散、分批量
# print(next(iter(db_val)))

# 以上预处理数据工作完毕，下一步构建识别图片的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(512, activation='relu', input_dim=784),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dense(125, activation='relu'),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])
# 使用compile函数 评估模型
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',  # 多分类：categorical_crossentropy  二分类：binary_crossentropy
              # 均方误差回归问题：mse
              metrics=['accuracy'])
# 训练模型
model.fit(db_train, epochs=6, validation_data=db_val, validation_freq=2)


# 使用test数据集进行 图片识别测试 从测试数据集提取一个图片 及 图片的真实数字
db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.map(preprocess)
test_img = next(iter(db_test))
# print(test_img[0])

# 预测模型
res = model.predict(test_img[0], batch_size=None, verbose=0, steps=None, callbacks=None)
res = res.argmax()
img_print = tf.reshape(test_img[0], [28, 28])
# print(img_print)
plt.matshow(img_print)
plt.show()
# print('预测值结果权重最大的概率为数字：{0},该图片为：{1}'.format(res, img_pred))

 我感觉我写的这个有个繁琐重复的地方：

在构建计算模型的时候，将x的矩阵方式由(28,28) 转化为了（1，784），

参考：preprocess自定义的函数

然后再最后的测试时候 dao shudaoshu也得做这个工作，而要将预测的图片数字打印出来时候，又将其还原为（28，28）方可打印成原始图片。

有什么方案 欢迎留言讨论