【Day 23】深度學習實作 --- "Hello world"

13th鐵人賽

guanjie0618

團隊人工逗點智慧

2021-10-06 16:21:11

1806 瀏覽

分享至

今天使用的toolkit是Keras，使用的資料集是MNIST的data，而Keras提供了自動下載MNIST data的function。

今天要實作一個最基本的Fully connected feedforward Network，做的是手寫數字辨識，用這個範例來當作我們深度學習的"Hello world"。

步驟一：定義一個模型

舉例來說，我們要建一個Network的Structure，它的輸入是一張解析度是28x28的圖片，而我們把它拉直變成一個28x28維的向量，中間有兩個hidden layer，然後每一個layer都有500個Neuron，最後輸出是10維的向量，分別對應0~9的數字。

首先要先宣告一個model。

model = sequential()

接著要把第一個hidden layer加進去，就使用"add"指令，而後面加了一個"Dense"的意思是你加的是一個Fully connected的layer，"input_dim"就是要設定輸入的維度是多少，"units"是代表你的Neuron有幾個，最後是"activation"，就是你要使用什麼Activation function。

model.add(Dense(input_dim=28 * 28, units=500, activation='relu'))

再加入第二個layer，這時候就不用再宣告輸入的維度了，因為第二個layer的輸入維度就是前一個layer的unit，不需要再定義一次，所以你只需要再宣告第二個layer會有多少個unit。

model.add(Dense(units=500, activation='relu'))

而最後一個layer，因為輸出要是10個數字，所以最後一個layer的輸出一定要是10維，所以unit就設10，然後Activation function我們通常會用softmax，使用softmax意味著輸出的每一個維度的值都會介於0~1之間且總和是1，就可以當作是機率來看待。

model.add(Dense(units=10, activation='softmax'))

步驟二：評估函式的好壞

接下來我們要評估一個function的好壞。

使用"compile"，定義你的Loss function。

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

步驟三：找到最好的函式

在訓練之前你要先給一些Configuration告訴它你訓練的時候要怎麼做，所以你第一個要給的東西是optimizer，也就是說，你要找最好的function的時候，你要用什麼樣的方式來找到最好的function。雖然這邊optimizer的後面可以接不同的方式，但是這些方式其實都是基於Gradient Descent的方法，只是有一些方法是機器會自動決定Learning rate的值。

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

接著你就可以開始訓練你的Network，使用"fit"，就可以用Gradient Descent來訓練你的Network，其中要給它你的訓練資料的輸入還有Label，"x_train"代表圖片，"y_train"代表Label，然後再設定Batch size以及Epochs的大小。

model.fit(x_train, y_train, batch_size=100, epochs=20)

訓練好之後，你要拿這個model來做評估，意思就是說你實際上有測試資料的label，你只是想要知道你model在測試資料的表現如何，那就使用"evaluation"，只要把測試資料的圖片跟Label給它，它就會幫你計算你的model的正確率。而它會輸出一個二維的向量，第一個維度會是在測試資料上的Loss，第二個維度是在測試資料上的Accuracy。

result_train = model.evaluate(x_train, y_train)
result_test = model.evaluate(x_test, y_test)
print('Train Acc:', result_train[1])
print('Test Acc:', result_test[1])

那有可能你是要做預測，意思是說你沒有正確答案，你要去預測它的結果是多少，所以就使用"predict"並給它測試的圖片。

result = model.predict(x_test)

Code

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.layers import Conv2D, MaxPooling2D, Flatten
from keras.optimizers import SGD, Adam
from keras.utils import np_utils
from keras.datasets import mnist


def load_data():  # categorical_crossentropy
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    number = 10000
    x_train = x_train[0:number]
    y_train = y_train[0:number]
    x_train = x_train.reshape(number, 28 * 28)
    x_test = x_test.reshape(x_test.shape[0], 28 * 28)
    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')
    # convert class vectors to binary class matrices
    y_train = np_utils.to_categorical(y_train, 10)
    y_test = np_utils.to_categorical(y_test, 10)
    x_train = x_train
    x_test = x_test
    # x_test = np.random.normal(x_test)
    x_train = x_train / 255
    x_test = x_test / 255

    return (x_train, y_train), (x_test, y_test)


if __name__ == '__main__':
    # load training data and testing data
    (x_train, y_train), (x_test, y_test) = load_data()

    # define network structure
    model = Sequential()

    model.add(Dense(input_dim=28 * 28, units=500, activation='relu'))
    # model.add(Dropout(0.5))
    model.add(Dense(units=500, activation='relu'))
    # model.add(Dropout(0.5))
    model.add(Dense(units=10, activation='softmax'))

    # set configurations
    model.compile(loss='categorical_crossentropy',
                  optimizer='adam', metrics=['accuracy'])

    # train model
    model.fit(x_train, y_train, batch_size=100, epochs=20)

    # evaluate the model and output the accuracy
    result_train = model.evaluate(x_train, y_train)
    result_test = model.evaluate(x_test, y_test)
    print('Train Acc:', result_train[1])
    print('Test Acc:', result_test[1])