keras与tensorflow建立模型的不同

	keras	tensorflow
模型建立	model=Sqeuential()：建立线性堆叠模型， model.add()：将各个神经网络层加入网络即可	自定义layer函数，使用layer建立多层感知机模型
模型优化	在model.compile()函数中，模型预编译阶段完成	自定义loss损失函数以及optimizer优化器
模型训练	在model.fit()函数中，传入x_train,y_train，epochs，batch_size，验证集比例等参数后由函数自动完成，返回history对象其中包含模型训练过程中的loss和acc变化	训练过程需要自定义，通过循环定义模型在每个epoch中需要执行的操作，每次epoch通过自定义的loss_fun和acc函数计算模型的loss和acc存入数组中作为训练过程的"history"

加载mnist

import tensorflow.examples.tutorials.mnist.input_data as input_data
path=r'E:\mydataset\data\LeYun_mnist'
mnist=input_data.read_data_sets(path,one_hot=True)

mnist对象的属性值	数据分类	属性	属性值
mnist.train.num_examples	训练集	图片数量	55000
.images.shape	-	数据形状	(55000, 784)
.labels.shape	-	数据形状	(55000, 10)
mnist.test.num_examples	测试集	图片数量	10000
.images.shape	-	数据形状	(10000, 784)
.images.shape	-	数据形状	(10000, 10)
mnist.validation.num_examples	交叉验证集	图片数量	5000
.images.shape	-	数据形状	(5000,784)
.labels.shape	-	数据形状	(5000,10)

注：path文件夹下面需要包含mnist数据集压缩包（共4个文件），否则函数将先从网络上下载，如图

tensorflow多层感知机构建

全连接层函数定义

import tensorflow as tf
def layer(output_dim,input_dim,inputs,activation=None):w=tf.Variable(tf.random_normal([input_dim,output_dim]))b=tf.Variable(tf.random_normal([1,output_dim]))y=tf.matmul(inputs,w)+bif activation is None:return yelse:return activation(y)

感知机各层的输入和输出

# 感知机各层输入和输出
x=tf.placeholder('float',[None,784])
h1=layer(output_dim=256,input_dim=784,inputs=x,activation=tf.nn.relu)
y_predict=layer(output_dim=10,input_dim=256,inputs=h1,activation=None)
y_label=tf.placeholder('float',[None,10])

损失函数、优化器

loss=tf.nn.softmax_cross_entropy_with_logits(logits=y_predict,labels=y_label)
loss_fun=tf.reduce_mean(loss)
optimizer=tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss_fun)

模型准确率计算

correct_prediction=tf.equal(tf.argmax(y_label,1),tf.argmax(y_predict,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,'float'))

模型训练参数定义

epochs=15
batch_size=100
total_epoch=int(mnist.train.num_examples/batch_size)
loss_list=[]
accuracy_list=[]
sess=tf.Session()
sess.run(tf.global_variables_initializer())

训练开始

for epoch in range(epochs):for i in range(total_epoch):batch_x,batch_y=mnist.train.next_batch(batch_size)sess.run(optimizer,feed_dict={x:batch_x,y_label:batch_y})loss,acc=sess.run([loss_fun,accuracy],feed_dict={x:mnist.validation.images,y_label:mnist.validation.labels})loss_list.append(loss)accuracy_list.append(acc)print((epoch+1,loss,acc))

运行结果

模型训练效果可视化

import matplotlib.pyplot as pltfig=plt.gcf()
plt.plot(range(1,16),accuracy_list,label='accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(loc='upper left')

运行结果

fig=plt.gcf()
plt.plot(range(1,16),loss_list,label='loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(loc='upper left')

运行结果

模型评分

score=sess.run(accuracy,feed_dict={x:mnist.test.images,y_label:mnist.test.labels})
>>> 0.9427

利用模型进行预测

import numpy as np
pred=sess.run(tf.argmax(y_predict,1),feed_dict={x:mnist.test.images})
pred[:10]
>>> array([7, 2, 1, 0, 4, 1, 4, 9, 6, 9], dtype=int64)
real_label=np.argmax(mnist.test.labels,axis=-1)
real_label[:10]
>>> array([7, 2, 1, 0, 4, 1, 4, 9, 5, 9], dtype=int64)

运行结果

显示混淆矩阵

import pandas as pd
real_label=real_label.reshape(-1)
pd.crosstab(real_label,pred,rownames=['label'],colnames=['predict'])

运行结果

总体来看效果还算不错