久爱午夜精品免费视频,国产一卡2卡3卡免费网站,国产卡一卡二卡3卡4卡无卡视频

import numpy as np # 高性能數組運算
import pandas as pd # 數據表格處理（雖然本例未使用，但在其他場景常用）
import matplotlib.pyplot as plt # 數據可視化

# 機器學習框架
from tensorflow import keras # 模型構建與訓練
from tensorflow.keras import layers # 神經網絡層組件

# 數據集
from tensorflow.keras.datasets import mnist # 經典手寫數字數據集

安裝依賴的命令：

pip install tensorflow matplotlib numpy pandas

1.3 開發環境配置建議

Jupyter Notebook：適合交互式調試，可實時查看數據和模型輸出。
GPU加速：若使用NVIDIA顯卡，安裝CUDA和cuDNN可顯著提升訓練速度。
Python版本：推薦3.8+，避免兼容性問題。

二、數據處理：機器學習的基礎

2.1 數據集加載與探索

MNIST數據集包含60,000張訓練圖像和10,000張測試圖像，每張為28×28像素的手寫數字灰度圖。加載數據后，建議先了解數據分布：

# 加載數據集

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()



# 輸出基本信息

print(f"訓練集維度: {train_images.shape}")  # (60000, 28, 28)

print(f"標簽類別數: {len(np.unique(train_labels))}")  # 10（0-9）

2.2 數據預處理的必要性

原始像素值范圍為0-255，直接輸入模型會導致數值不穩定，歸一化（Normalization）是關鍵步驟：

# 將像素值縮放到0-1之間

train_images = train_images.astype("float32") / 255

test_images = test_images.astype("float32") / 255



# 添加通道維度（CNN要求輸入形狀為[高度, 寬度, 通道數]）

train_images = np.expand_dims(train_images, -1)  # 形狀變為(60000, 28, 28, 1)

test_images = np.expand_dims(test_images, -1)



# 標簽轉換為One-Hot編碼

num_classes = 10

train_labels = keras.utils.to_categorical(train_labels, num_classes)

test_labels = keras.utils.to_categorical(test_labels, num_classes)

2.3 數據可視化：理解輸入特征

通過可視化樣本，檢查數據質量并直觀理解模型的學習目標：

plt.figure(figsize=(10,5))

for i in range(15):

    plt.subplot(3,5,i+1)

    plt.imshow(train_images[i].squeeze(), cmap='gray')  # 移除通道維度顯示圖像

    plt.title(f"Label: {np.argmax(train_labels[i])}")

    plt.axis('off')

plt.tight_layout()

plt.show()

三、構建神經網絡模型

3.1 卷積神經網絡（CNN）的設計原理

CNN通過局部感知和權值共享高效處理圖像數據，核心組件包括：

卷積層（Conv2D）：提取局部特征（如邊緣、紋理）。
池化層（MaxPooling2D）：降低空間維度，增強模型魯棒性。
全連接層（Dense）：將特征映射到類別概率。

3.2 模型架構實現

model = keras.Sequential(

    [

        layers.Input(shape=(28, 28, 1)),

        # 第一卷積塊：32個3x3卷積核，ReLU激活

        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),

        layers.MaxPooling2D(pool_size=(2, 2)),  # 輸出形狀變為(13, 13, 32)

        # 第二卷積塊：64個3x3卷積核

        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),

        layers.MaxPooling2D(pool_size=(2, 2)),  # 輸出形狀(5, 5, 64)

        # 全連接層

        layers.Flatten(),  # 將3D特征展平為1D向量（5*5*64=1600）

        layers.Dropout(0.5),  # 隨機丟棄50%神經元，防止過擬合

        layers.Dense(num_classes, activation="softmax")  # 輸出10個類別的概率

    ]

)



model.summary()  # 打印模型結構

模型結構輸出示例：

Total params: 34,826

Trainable params: 34,826

Non-trainable params: 0

3.3 模型編譯：配置學習過程

model.compile(

    loss="categorical_crossentropy",  # 多分類交叉熵損失函數

    optimizer="adam",  # 自適應學習率優化器

    metrics=["accuracy"]  # 監控準確率

)

四、模型訓練與評估

4.1 訓練過程參數解析

batch_size = 128  # 每次迭代使用的樣本數

epochs = 15  # 遍歷整個訓練集的次數



history = model.fit(

    train_images, 

    train_labels,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.1  # 10%訓練數據作為驗證集

)

Batch Size：影響內存使用和訓練速度，較小的值適合小顯存GPU。
Epochs：需平衡訓練時間與模型性能，避免過擬合。

4.2 訓練過程可視化

# 繪制訓練曲線

plt.figure(figsize=(12, 5))



# 準確率曲線

plt.subplot(1, 2, 1)

plt.plot(history.history['accuracy'], label='Training Accuracy')

plt.plot(history.history['val_accuracy'], label='Validation Accuracy')

plt.title('Accuracy Evolution')

plt.xlabel('Epoch')

plt.ylabel('Accuracy')

plt.legend()



# 損失曲線

plt.subplot(1, 2, 2)

plt.plot(history.history['loss'], label='Training Loss')

plt.plot(history.history['val_loss'], label='Validation Loss')

plt.title('Loss Evolution')

plt.xlabel('Epoch')

plt.ylabel('Loss')

plt.legend()



plt.tight_layout()

plt.show()

4.3 模型評估與過擬合判斷

score = model.evaluate(test_images, test_labels, verbose=0)

print("測試集損失:", score[0])  # 理想值應接近驗證損失

print("測試集準確率:", score[1])  # 高于98%表明模型表現優秀

過擬合跡象：若訓練準確率遠高于驗證準確率，需增加Dropout或數據增強。

五、模型應用與部署

5.1 單樣本預測實現

def predict_sample(model, image):

    img = image.astype("float32") / 255

    img = np.expand_dims(img, axis=0)  # 添加批次維度

    img = np.expand_dims(img, axis=-1)  # 添加通道維度

    prediction = model.predict(img)

    return np.argmax(prediction)



# 隨機測試樣本預測

sample_index = np.random.randint(0, len(test_images))

plt.imshow(test_images[sample_index].squeeze(), cmap='gray')

plt.title(f"預測: {predict_sample(model, test_images[sample_index])}\n真實: {np.argmax(test_labels[sample_index])}")

plt.axis('off')

plt.show()

5.2 模型保存與加載

# 保存完整模型（包括結構和權重）

model.save("mnist_cnn.h5")



# 加載模型進行推理

loaded_model = keras.models.load_model("mnist_cnn.h5")

5.3 使用Flask部署API服務

from flask import Flask, request, jsonify

import numpy as np

from PIL import Image

import io



app = Flask(__name__)

model = keras.models.load_model("mnist_cnn.h5")



@app.route('/predict', methods=['POST'])

def predict():

    # 接收上傳的圖像文件

    file = request.files['image']

    img = Image.open(io.BytesIO(file.read())).convert('L')  # 轉為灰度圖

    img = img.resize((28, 28))  # 調整尺寸



    # 預處理

    img_array = np.array(img) / 255.0

    img_array = np.expand_dims(img_array, axis=(0, -1))  # 添加批次和通道維度



    # 預測并返回結果

    prediction = model.predict(img_array)

    return jsonify({'prediction': int(np.argmax(prediction))})



if __name__ == '__main__':

    app.run(host='0.0.0.0', port=5000)

測試API：

curl -X POST -F "image=@test_image.png" http://localhost:5000/predict

# 預期返回：{"prediction": 7}

六、模型優化與進階學習

6.1 性能優化技巧

數據增強：通過旋轉、平移、縮放生成更多訓練樣本。

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(rotation_range=10, zoom_range=0.1)

model.fit(datagen.flow(train_images, train_labels, batch_size=32))