《基于Tensorflow的知识图谱实战》 --- 利用（自定义的卷积层）实现MNIST识别

deng_den

已于 2022-06-25 11:07:46 修改

阅读量635

点赞数

分类专栏：深度学习_TensorFlow 文章标签： tensorflow 知识图谱深度学习

于 2022-06-17 22:44:03 首次发布

本文链接：https://blog.youkuaiyun.com/d_eng_/article/details/125341285

版权

本文介绍了如何利用自定义的卷积层实现MNIST手写数字识别，通过残差网络保留更多细节。首先加载并预处理MNIST数据集，然后构建包含自定义残差层的卷积神经网络模型，经过训练得到良好准确率。最后，展示训练过程中的精度和损失变化，并进行数据预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

⚽开发平台：jupyter lab
🎈运行环境：python3、tensorflow2.x

第4章卷积神经网络实战 | 利用自定义的卷积层实现MNIST识别

1.利用自定义的卷积层实现MNIST识别

1.利用自定义的卷积层实现MNIST识别

1.1实现思想

(1) 如何在良好的训练结果上作进一步的提高呢？
一个简单的思想就是建立short-cut,即建立数据通路，使得输入的模型和经过卷积计算后的数据连接在一起，从而解决卷积层总是会忽略掉的某些特定的小细节的问题。

(2) 残差网络：将输入的数据经过计算后又重新与未经过计算的数据通过“叠加”的方式连接在一起，从而建立一个能够保留更多细节内容的卷积结构。

1.2 程序4.6(完整代码)

## 导入相关工具包
import numpy as np
import tensorflow as tf

## 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test) = mnist.load_data()

## 训练集数目为60000，测试集数目为10000
### 由于CPU训练较慢，现在取部分数据进行实验，若处理速度较快，可省去该步骤
x_train.shape,y_train.shape,x_test.shape   #((60000, 28, 28), (60000,), (10000, 28, 28))
(x_train,y_train),(x_test,y_test) = (x_train[:600],y_train[:600]),(x_test[:100],y_test[:100])
x_train.shape,y_train.shape,x_test.shape   ## ((600, 28, 28), (600,), (100, 28, 28))

### # 将样本从整数转换为[0,1]区间的浮点数
x_train,x_test = x_train/255.0,x_test/255.0
## 在给定一个input时，在axis轴处给input增加一个维度
x_train = tf.expand_dims(x_train,-1)
### 因为有10个不同的目标值
y_train = np.float32(tf.keras.utils.to_categorical(y_train,num_classes=10))