reconocimiento de escritura digital de aprendizaje a través del uso real Tensorflow para aprender Tensorflow conocimiento relevante
conjuntos de datos de carga
Hay muchos Tensorflow conjunto de datos de entrenamiento puede ser buena para nuestro uso, el primer paso que primero cargue el conjunto de datos, el primer uso, PyCharm ayudará automáticamente configura Tensorflow para descargar datos desde el local
import tensorflow as tf
mnist=tf.keras.datasets.mnist #获得数据集对象
(x_train,y_train),(x_test,y_test)=mnist.load_data()#加载数据集
print(x_train.shape,y_train.shape) #输出数据集
print(x_test.shape,y_test.shape) #输出测试数据集
exportación
(60000, 28, 28) (60000,)
(10000, 28, 28) (10000,)
Mostrar una vista preliminar del conjunto de datos
import matplotlib.pyplot as plt
image_index=1234 #显示第几个数据集
plt.imshow(x_train[image_index],cmap='Greys') #加入cmap='Greys'即为显示黑白图像
plt.show()
Mostrando resultados
conjunto de datos de conversión de formato
El conjunto de datos utilizados formato de archivo hay manera de ir directamente a la Tensorflow
requisito de entrada es de 32 Tensorflow lo que la imagen 32 que se llena al 32 32
como datos de lectura es conjunto es 0-255 conformación, por lo que ser convertido a coma flotante tipo de
regularización de datos no está realmente entender por qué la
dimensionalidad de los datos se convierte en [n, h, w, c ] [número, altura, anchura, canal]
import numpy as np
#将图片从28*28扩充为32*32
x_train=np.pad(x_train,((0,0),(2,2),(2,2)),'constant',constant_values=0)
#数据类型准换
x_train=x_train.astype('float32')
#数据正则化
x_train/=255
#数据维度转换
x_train=x_train.reshape(x_train.shape[0],32,32,1)
print(x_train.shape)
Salida de Dimension Data
(60000, 32, 32, 1)
