人工智能实验四：深度学习算法及应用.pdfVIP

人工智能实验四：深度学习算法及应用--第1页 ⼈⼯智能实验四：深度学习算法及应⽤ ⼀、实验⽬的 1、了解深度学习的基本原理； 2、能够使⽤深度学习开源⼯具识别图像中的数字； 3、了解图像识别的基本原理。 ⼆、实验硬件软件平台 软件：操作系统：WINDOWS/Linux 应⽤软件：Tensorflow, PyTorch, Python，NumPy, SciPy, iPython 三、实验内容 安装开源深度学习⼯具设计并实现⼀个深度学习模型，它能够学习识别图像中的数字序列。然后使⽤数据训练它：你可以使⽤⼈⼯合成的数 据（推荐），或直接使⽤现实数据。 源代码下载 密码：y7x1 本⽂参考资料 《深度学习之Tensorflow》 四、实验过程操作及现象 4.1环境的搭建和配置 （1）本地搭建环境 使⽤实验指导书推荐环境，下载Anaconda3.4.1.1 （注意版本号，官⽹可选，⾃带python3.5.4版本） 【请注意TensorFlow⽀持的python版本，我做实验那会它不⽀持python3.7，只⽀持⽼版本】 在命令⾏中执⾏：pip install --upgrade --ignore-installed tensorflow 即可下载安装TensorFlow到本地，如果安装的过程中提⽰要升级pip包，按照指令进⾏升级即可。 接下来是安装适应TensorFlow开发环境的python版本，因为tensorflow⼯具暂时还不⽀持最新的python3.7版本，在3.6环境下仍然有部 分内容不兼容，但在3.5环境下是完美适配的。 执⾏以下指令：conda create --name tensorflow python=3.5，保证⽹络畅通即可安装完毕。 人工智能实验四：深度学习算法及应用--第1页 人工智能实验四：深度学习算法及应用--第2页 之后，执⾏指令activate tensorflow激活TensorFlow环境，接下来再往命令⾏输⼊spyder（Anaconda⾃带的python IDE），即可进⼊ spyder界⾯输⼊python代码。 （2）服务器搭建环境（简单，推荐给有条件的同学） 使⽤Google colab所提供的免费服务器，注册Google账号，新建记事本输⼊python代码，并在菜单中的“代码执⾏程序”——“更改运⾏ 时刻类型”中选择python3和GPU加速，即完成了配置，需要注意的是这种⽅法需要科学上⽹（⼿动滑稽）。 4.2各个算法的测试 在本次实验中，实现了两个算法，主要是两个部分，第⼀个部分是⼿写字体的数据集获取，这⾥我们使⽤了⼀个⼊门级别的计算机视觉库 MINST，通过代码程序⾃动下载数据集到服务器存储，然后进⾏读取分析；第⼆部分是通过深度学习算法，使⽤训练集进⾏多轮次的迭代训 练学习，通过训练集检测模型的准确性，输出识别数字的准确率。 （1） MINST数据集和数据的获取 MNIST是机器学习领域的⼀个经典问题，指的是让机器查看⼀系列⼤⼩为28x28像素的⼿写数字灰度图像，并判断这些图像代表0-9中的 哪⼀个数字。每个数字由28*28的像素组成。 MINST包括三个数据集：训练集、测试集、验证集。data_sets.train是 55000个图像和标签（labels），作为主要训练集； data_sets.validation是5000个图像和标签，⽤于迭代验证训练准确度；data_sets.test 是10000个图像和标签，⽤于最终测试训练准确 度（trained accuracy）。 在本次实验中，我们使⽤python代码下载MINST数据集，并保存在指定路径下： //download.py from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(MNIST_data/, one_hot=True) print (MINST 图像数据：,mnist.train.images) print ( 训练集规模：,mnist.train.images.shape) print ( 测试集规模：,mnist.test.images.shape) print (验证集规模：,mnist.validation.images.shape) import pylab print( 数据集的第⼀张图⽚：) im = mnist.train.images[0] im = im.