数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究TensorFlow 中的 TfLearn 及其安装
TFlearn 是一个基于 TensorFlow 框架构建的开源深度学习库。它提供了一个高级 API，可以轻松创建和训练不同的神经网络模型。
它提供了一系列预先存在的模型，例如卷积神经网络 (CNN)、深度神经网络 (DNN) 和许多其他模型。它还包括各种激活函数，例如 ReLU（修正线性单元）、softmax，以及诸如分类交叉熵之类的损失函数。
由于不需要广泛了解 TensorFlow 中的神经网络 API，TfLearn 是初学者的理想库。它是一个简单易用的库，我们可以定义输入、隐藏和输出层，而不是构建计算密集型网络架构，例如 AlexNet 或 LeNet 架构。
如何使用 TfLearn？
首先，检查系统中是否存在 Python。可以通过打印系统中存在的 Python 版本来检查。
python ---version
如果你的系统中未安装 Python，可以访问“python.org”网站安装 Python 3.8 或更高版本。
之后，检查你的系统中是否安装了 TensorFlow 模块。可以通过执行以下命令来完成：
pip install tensorflow
在这种情况下，TensorFlow 已安装。如果它不存在，它将安装该模块到你的系统中。
之后，使用以下命令将 TfLearn 模块安装到你的系统中：
pip install tflearn
现在我们已经下载了所有先决条件，让我们来看一个使用 TfLearn 的示例。
示例 1
在下面的程序中，使用 MNIST 数据集来训练和测试我们的模型。TfLearn 默认在其软件包中提供 MNIST 数据集。因此，我们可以使用它。
为了提高预测精度，并使计算机能够理解图像，我们使用独热编码的概念来定义 [0,...,9] 中的类别。数据集实际上是以手写数字的形式存在的。
算法
导入所有库。
加载 MNIST 数据集并将值赋给 x_train、y_train、x_test 和 y_test，其中 x 表示数据集中的值，y 表示标签。
将 x_train 和 x_test 转换为浮点值，并通过除以 255 将其像素值转换为 0 或 1。
定义 10 个子图，并通过初始化 for 循环来自动缩放其图像比例，将图像打印到子图上。
打印图像。
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()
我们加载数据集并将其分成训练数据和测试数据。然后，我们将训练和测试数据的类型转换为 float32，并通过将图像的像素值除以 255.0 来对其进行归一化，以便它们在 0 和 1 的范围内。
我们创建一个 10x10 的网格，并初始化一个指针来跟踪图像索引。我们使用循环遍历网格。对于每个网格框，我们显示来自训练集的图像，该图像将图像从一维数组重新整形为具有 28x28 维度的二维数组。
输出
示例 2
在前面的示例中，我们加载了未进行独热编码的 MNIST 数据。在下面的示例中，我们将打印应用独热编码后训练和测试标签的形状，并打印训练标签的前五行。
算法
使用 tflearn 导入 MNIST 数据集。
加载具有独热编码值的 MNIST 数据集。
打印数据集的形状和维度。
打印训练标签的前五行。
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])
在这里，我们加载包含数字手写图像的 MNIST 数据集。然后，我们将训练图像和标签分配给单独的变量，同样地，将测试图像和标签分配给单独的变量。
one_hot = true 参数确保标签以独热编码格式表示，这是一种以二进制向量格式表示所需数据的表示方法，其中一个元素固定为热 (1)，其余元素表示为冷 (0)。这里热元素是所需的靶元素。
然后，我们打印测试和训练数据（图像和标签）。
输出
构建神经网络模型
现在我们已经了解了我们正在处理的内容，让我们构建我们的神经网络模型。神经网络包含三个层，即：
输入层
隐藏层
输出层
示例 3
为了在我们的神经网络中构建这些层，我们使用 TfLearn 模块。
我们在隐藏层中定义具有 256 个层的神经网络，并使用 ReLU 激活函数，以及包含 10 个层和 softmax 激活函数的输出层。在大多数神经网络架构中，输出层总是具有 softmax 激活函数。
然后，我们使用 SGD（随机梯度下降）优化器和分类交叉熵损失函数以及 0.1 的学习率来定义模型。有了这些，我们构建我们的模型并将其拟合到我们的训练数据和测试数据，然后我们打印模型的精度。
算法
导入所有库。
加载 MNIST 数据集并将值赋给 x_train、y_train、x_test 和 y_test，其中 x 表示数据集中的值，y 表示标签。
导入数据集时设置 one_hot=True。
打印所有变量的形状。
将输入层定义为 [None,784]。
对于隐藏层，将输入层与 256 层以及 ReLU 激活函数等同起来。
对于输出层，添加 10 层以及 softmax 激活函数。
使用必要的优化器和损失函数编译模型并打印精度。
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)
我们通过从 MNIST 加载数据集将数据分成训练数据和测试数据。然后，我们将独热编码格式应用于标签。然后，我们定义神经网络的架构并设置网络的训练参数，例如学习率、损失函数等。
然后，我们对训练数据进行 20 个 epoch 的训练，并在训练过程中验证模型在测试数据上的性能。然后，我们对测试数据评估训练好的模型并计算精度。
输出
示例 4
在上面的示例中，我们可以看到我们的精度率为 97.5%，这非常好。通过这种方式，我们可以通过更改优化器和损失函数来微调模型的精度。在这个示例中，我们看到了使用 Adam 优化器。
算法
导入所有库。
加载 MNIST 数据集并将值赋给 x_train、y_train、x_test 和 y_test，其中 x 表示数据集中的值，y 表示标签。
导入数据集时设置 one_hot=True。
打印所有变量的形状。
将输入层定义为 [None,784]。
对于隐藏层，将输入层与 256 层以及 ReLU 激活函数等同起来。
对于输出层，添加 10 层以及 softmax 激活函数。
使用必要的优化器和损失函数编译模型并打印精度。
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)
输出
对于所示模型来说，这非常低，因此我们将 SGD 优化器用于我们的目的。
结论
如上所示，TfLearn 是一个非常简单易懂的库，用于构建深度学习模型。但是，由于它是一个非常简单的库，因此它不像 TensorFlow 或 PyTorch 这些库那样支持许多激活函数或损失函数。与上述库相比，它在模型定制方面也存在显著不足。
该库在计算机视觉中用于图像分割、目标检测等任务，借助卷积神经网络，以及在算法可以构建并在教育环境中教授的教育和研究领域。
浏览量 108 次
