資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究TensorFlow 中的 TfLearn 及其安裝
TFlearn 是一個基於 TensorFlow 框架構建的開源深度學習庫。它提供了一個高階 API，可以輕鬆建立和訓練不同的神經網路模型。
它提供了一系列預先存在的模型，例如卷積神經網路 (CNN)、深度神經網路 (DNN) 和許多其他模型。它還包括各種啟用函式，例如 ReLU（修正線性單元）、softmax，以及諸如分類交叉熵之類的損失函式。
由於不需要廣泛瞭解 TensorFlow 中的神經網路 API，TfLearn 是初學者的理想庫。它是一個簡單易用的庫，我們可以定義輸入、隱藏和輸出層，而不是構建計算密集型網路架構，例如 AlexNet 或 LeNet 架構。
如何使用 TfLearn？
首先，檢查系統中是否存在 Python。可以透過列印系統中存在的 Python 版本來檢查。
python ---version
如果你的系統中未安裝 Python，可以訪問“python.org”網站安裝 Python 3.8 或更高版本。
之後，檢查你的系統中是否安裝了 TensorFlow 模組。可以透過執行以下命令來完成：
pip install tensorflow
在這種情況下，TensorFlow 已安裝。如果它不存在，它將安裝該模組到你的系統中。
之後，使用以下命令將 TfLearn 模組安裝到你的系統中：
pip install tflearn
現在我們已經下載了所有先決條件，讓我們來看一個使用 TfLearn 的示例。
示例 1
在下面的程式中，使用 MNIST 資料集來訓練和測試我們的模型。TfLearn 預設在其軟體包中提供 MNIST 資料集。因此，我們可以使用它。
為了提高預測精度，並使計算機能夠理解影像，我們使用獨熱編碼的概念來定義 [0,...,9] 中的類別。資料集實際上是以手寫數字的形式存在的。
演算法
匯入所有庫。
載入 MNIST 資料集並將值賦給 x_train、y_train、x_test 和 y_test，其中 x 表示資料集中的值，y 表示標籤。
將 x_train 和 x_test 轉換為浮點值，並透過除以 255 將其畫素值轉換為 0 或 1。
定義 10 個子圖，並透過初始化 for 迴圈來自動縮放其影像比例，將影像列印到子圖上。
列印影像。
import tflearn
from tflearn.datasets import mnist
import matplotlib.pyplot as plt
(x_train, y_train),(x_test,y_test)=mnist.load_data()
x_train=x_train.astype('float32')
x_test=x_test.astype('float32')
x_train, x_test=x_train/255.0, x_test/255.0
#To show the dataset
fi,ax=plt.subplots(10,10)
k=0
for i in range(10):
for j in range(10):
ax[i][j].imshow(x_train[k].reshape(28,28), aspect='auto')
k+=1
plt.show()
我們載入資料集並將其分成訓練資料和測試資料。然後，我們將訓練和測試資料的型別轉換為 float32，並透過將影像的畫素值除以 255.0 來對其進行歸一化，以便它們在 0 和 1 的範圍內。
我們建立一個 10x10 的網格，並初始化一個指標來跟蹤影像索引。我們使用迴圈遍歷網格。對於每個網格框，我們顯示來自訓練集的影像，該影像將影像從一維陣列重新整形為具有 28x28 維度的二維陣列。
輸出
示例 2
在前面的示例中，我們載入了未進行獨熱編碼的 MNIST 資料。在下面的示例中，我們將列印應用獨熱編碼後訓練和測試標籤的形狀，並列印訓練標籤的前五行。
演算法
使用 tflearn 匯入 MNIST 資料集。
載入具有獨熱編碼值的 MNIST 資料集。
列印資料集的形狀和維度。
列印訓練標籤的前五行。
from tflearn.datasets import mnist
x_train, y_train, x_test, y_test=mnist.load_data(one_hot=True)
print("Training Data shape: ", x_train.shape)
print("Training Labels shape: ", y_train.shape)
print("Testing Data shape: ", x_train.shape)
print("Testing Labels shape: ", y_train.shape)
print("First 5 training labels: ")
print(y_train[:5])
在這裡，我們載入包含數字手寫影像的 MNIST 資料集。然後，我們將訓練影像和標籤分配給單獨的變數，同樣地，將測試影像和標籤分配給單獨的變數。
one_hot = true 引數確保標籤以獨熱編碼格式表示，這是一種以二進位制向量格式表示所需資料的表示方法，其中一個元素固定為熱 (1)，其餘元素表示為冷 (0)。這裡熱元素是所需的靶元素。
然後，我們列印測試和訓練資料（影像和標籤）。
輸出
構建神經網路模型
現在我們已經瞭解了我們正在處理的內容，讓我們構建我們的神經網路模型。神經網路包含三個層，即：
輸入層
隱藏層
輸出層
示例 3
為了在我們的神經網路中構建這些層，我們使用 TfLearn 模組。
我們在隱藏層中定義具有 256 個層的神經網路，並使用 ReLU 啟用函式，以及包含 10 個層和 softmax 啟用函式的輸出層。在大多數神經網路架構中，輸出層總是具有 softmax 啟用函式。
然後，我們使用 SGD（隨機梯度下降）最佳化器和分類交叉熵損失函式以及 0.1 的學習率來定義模型。有了這些，我們構建我們的模型並將其擬合到我們的訓練資料和測試資料，然後我們列印模型的精度。
演算法
匯入所有庫。
載入 MNIST 資料集並將值賦給 x_train、y_train、x_test 和 y_test，其中 x 表示資料集中的值，y 表示標籤。
匯入資料集時設定 one_hot=True。
列印所有變數的形狀。
將輸入層定義為 [None,784]。
對於隱藏層，將輸入層與 256 層以及 ReLU 啟用函式等同起來。
對於輸出層，新增 10 層以及 softmax 啟用函式。
使用必要的最佳化器和損失函式編譯模型並列印精度。
import tflearn
from tflearn.datasets import mnist
x_train, y_train, x_test, y_test=mnist.load_data(one_hot=True)
print("Training Data shape: ", x_train.shape)
print("Training Labels shape: ", y_train.shape)
print("Testing Data shape: ", x_train.shape)
print("Testing Labels shape: ", y_train.shape)
print("First 5 training labels: ")
print(y_train[:5])
i_layer=tflearn.input_data(shape=[None,784])
h_layer=tflearn.fully_connected(i_layer, 256, activation='relu')
o_layer=tflearn.fully_connected(h_layer, 10, activation='softmax')
net=tflearn.regression(o_layer, optimizer='sgd', learning_rate=0.1,
loss='categorical_crossentropy')
model=tflearn.DNN(net)
model.fit(x_train, y_train, validation_set=(x_test,y_test),
n_epoch=20, batch_size=128)
acc=model.evaluate(x_test,y_test)
print("Accuracy: ", acc)
我們透過從 MNIST 載入資料集將資料分成訓練資料和測試資料。然後，我們將獨熱編碼格式應用於標籤。然後，我們定義神經網路的架構並設定網路的訓練引數，例如學習率、損失函式等。
然後，我們對訓練資料進行 20 個 epoch 的訓練，並在訓練過程中驗證模型在測試資料上的效能。然後，我們對測試資料評估訓練好的模型並計算精度。
輸出
示例 4
在上面的示例中，我們可以看到我們的精度率為 97.5%，這非常好。透過這種方式，我們可以透過更改最佳化器和損失函式來微調模型的精度。在這個示例中，我們看到了使用 Adam 最佳化器。
演算法
匯入所有庫。
載入 MNIST 資料集並將值賦給 x_train、y_train、x_test 和 y_test，其中 x 表示資料集中的值，y 表示標籤。
匯入資料集時設定 one_hot=True。
列印所有變數的形狀。
將輸入層定義為 [None,784]。
對於隱藏層，將輸入層與 256 層以及 ReLU 啟用函式等同起來。
對於輸出層，新增 10 層以及 softmax 啟用函式。
使用必要的最佳化器和損失函式編譯模型並列印精度。
import tflearn
from tflearn.datasets import mnist
x_train, y_train, x_test, y_test=mnist.load_data(one_hot=True)
i_layer=tflearn.input_data(shape=[None,784])
h_layer=tflearn.fully_connected(i_layer, 256, activation='relu')
o_layer=tflearn.fully_connected(h_layer, 10, activation='softmax')
net=tflearn.regression(o_layer, optimizer='adam', learning_rate=0.1,
loss='categorical_crossentropy')
model=tflearn.DNN(net)
model.fit(x_train, y_train, validation_set=(x_test,y_test),
n_epoch=20, batch_size=128)
acc=model.evaluate(x_test,y_test)
輸出
對於所示模型來說，這非常低，因此我們將 SGD 最佳化器用於我們的目的。
結論
如上所示，TfLearn 是一個非常簡單易懂的庫，用於構建深度學習模型。但是，由於它是一個非常簡單的庫，因此它不像 TensorFlow 或 PyTorch 這些庫那樣支援許多啟用函式或損失函式。與上述庫相比，它在模型定製方面也存在顯著不足。
該庫在計算機視覺中用於影像分割、目標檢測等任務，藉助卷積神經網路，以及在演算法可以構建並在教育環境中教授的教育和研究領域。
瀏覽量 108 次
