社团实践课

Author： Alpha
发布时间：November 21, 2021
3668 views
No comments
2657 words
Categories：首页 python 高中知识编程技术

## 最新更新

我需要你们先注册kaggle账号，当然不是必须的，不过注册需要翻墙

注册地址是kaggle.com

免费的cpu是不需要认证的，gpu和tpu是需要手机号验证，如果你不会可以联系我

你在本博客下面的评论区回复之后，可以看到我提供给你的kaggle账号

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

由于各种原因并且现在时间已经过半，争取在3节课完成

所以就直接上代码了

## 数据集下载：[https://ply.lanzouw.com/iQNh3wokn2b](https://ply.lanzouw.com/iQNh3wokn2b)

## 数据集介绍：

MNIST数据集是一个有名的手写数字数据集，在深度学习领域，手写数字识别是一个很经典的学习例子。

解压之后，有两个文件train.csv和test.csv

统计如下：训练数据有42000张手写数字图片，对应0-9，并且第一列为标签

测试数据有28000行，对应0-9，需要用训练完的模型，对这些数据进行预测，并且我会负责把预测结果上传到kaggle“游乐场”，获取测试得分

通过此次活动，我们将初步了解，深度学习，到底是个什么玩意

因为我是看书看文档自学，故我不推荐你们看浪费时间的视频。

我可以有50%的把握，可以在短时间内，让你就算没有python基础，也可以看懂，到底是要干嘛

首先，我们要做什么，我们要做一个模型，他能够把一堆28*28的数组，计算对应成
0-9的一个概率分布值，这是经典的多分类，单标签（一个数据对应一个答案）

## 开始

我们现在先入门纯dense层构成的模型，我们先要知道，dense层他是怎么计算（简单的了解）

Dense层（keras中是这么叫的）

全连接的核心操作就是矩阵向量乘积

y = W ∗ x + b

w是权重的意思，b是偏置的意思，这个就是我们常见的
一次函数吧，一般叫线性函数，因为图像是一条“线”

在经历过这个运算之后，我们会专门为这一个层定一个激活函数，目前我们只介绍非常常用的

多分类单标签任务，最后一层用softmax

各种预测结果概率之和等于1

这就意味着，我们最后得到的预测结果是一个10个元素的列表

比如数字0就这样表示[1,0,0,0,0,0,0,0,0,0]

数字1就这样表示[0,1,0,0,0,0,0,0,0,0]

以此类推，那么，你如果看过训练数据，那你就会想知道，怎么把0-9逆向为这种数据呢，不然不对应，模型没法匹配啊。所以，我们要先数据预处理，把标签向量化，转成一个10个元素的列表

中间层，我们用relu，他在x正半轴是一个y=x图像，在x负半轴是一个横线

代码如下：

```python
import keras   #导入keras模块

import numpy as np  #导入numpy模块

import pandas as pd # 导入pandas模块

import matplotlib.pyplot as plt  #导入matplotlib模块，画图用的的
```

我们先处理训练数据，读取之后，我们去掉label列，剩下的代表的是一张张图片数据，用0-256来表示颜色

```python
df = pd.read_csv('train.csv')

data = df.drop(['label'],axis=1)

train_images = data.values.reshape(42000,28*28)  #42000张，一张28*28 正方形
train_images =
train_images.astype('float32') / 255  #这一步通常叫数据标准化，一般要求是处理成平均数为0，方差为1的数据

train_images.shape #查看数据的最终形状

(42000, 784)
```

下面是标签预处理

```python
label = df['label']

from keras.utils import to_categorical  #标签向量化有一个快速方法

train_labels = label

train_labels = to_categorical(label)

train_labels.shape

(42000, 10)
```

我们可以先把模型构建起来了

我当时是这么写的，纯dense没必要那么讲究，稍微大点有点感觉。。。

```python
from keras import models

from keras import layers

network = models.Sequential()

network.add(layers.Dense(1024,
activation='relu', input_shape=(28 * 28,)))

network.add(layers.Dense(512,
activation='relu'))

network.add(layers.Dense(256,
activation='relu'))

network.add(layers.Dense(10, activation='softmax'))
```

课后作业（可以不做）

主要懒得打字了，而且你们如果有时间可以自己去了解，下次我也会提的

Relu函数的图像长什么样？

深度学习优化器有哪些
![model.png](http://blog.a152.top/usr/uploads/2021/11/2361707872.png)

## 以后将在这里和笔记本上更新

Last modification：November 26, 2021

如果觉得我的内容对你有用，请随意赞赏

社团实践课

Alpha • 2021 年 11 月 21 日

## 最新更新

我需要你们先注册kaggle账号，当然不是必须的，不过注册需要翻墙

注册地址是kaggle.com

免费的cpu是不需要认证的，gpu和tpu是需要手机号验证，如果你不会可以联系我

你在本博客下面的评论区回复之后，可以看到我提供给你的kaggle账号

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

由于各种原因并且现在时间已经过半，争取在3节课完成

所以就直接上代码了

## 数据集下载：[https://ply.lanzouw.com/iQNh3wokn2b](https://ply.lanzouw.com/iQNh3wokn2b)

## 数据集介绍：

MNIST数据集是一个有名的手写数字数据集，在深度学习领域，手写数字识别是一个很经典的学习例子。

解压之后，有两个文件train.csv和test.csv

统计如下：训练数据有42000张手写数字图片，对应0-9，并且第一列为标签

测试数据有28000行，对应0-9，需要用训练完的模型，对这些数据进行预测，并且我会负责把预测结果上传到kaggle“游乐场”，获取测试得分

通过此次活动，我们将初步了解，深度学习，到底是个什么玩意

因为我是看书看文档自学，故我不推荐你们看浪费时间的视频。

我可以有50%的把握，可以在短时间内，让你就算没有python基础，也可以看懂，到底是要干嘛

## 开始

我们现在先入门纯dense层构成的模型，我们先要知道，dense层他是怎么计算（简单的了解）

Dense层（keras中是这么叫的）

全连接的核心操作就是矩阵向量乘积

y = W ∗ x + b

w是权重的意思，b是偏置的意思，这个就是我们常见的
一次函数吧，一般叫线性函数，因为图像是一条“线”

在经历过这个运算之后，我们会专门为这一个层定一个激活函数，目前我们只介绍非常常用的

多分类单标签任务，最后一层用softmax

各种预测结果概率之和等于1

这就意味着，我们最后得到的预测结果是一个10个元素的列表

比如数字0就这样表示[1,0,0,0,0,0,0,0,0,0]

数字1就这样表示[0,1,0,0,0,0,0,0,0,0]

中间层，我们用relu，他在x正半轴是一个y=x图像，在x负半轴是一个横线

代码如下：

```python
import keras   #导入keras模块

import numpy as np  #导入numpy模块

import pandas as pd # 导入pandas模块

import matplotlib.pyplot as plt  #导入matplotlib模块，画图用的的
```

我们先处理训练数据，读取之后，我们去掉label列，剩下的代表的是一张张图片数据，用0-256来表示颜色

```python
df = pd.read_csv('train.csv')

data = df.drop(['label'],axis=1)

train_images.shape #查看数据的最终形状

(42000, 784)
```

下面是标签预处理

```python
label = df['label']

from keras.utils import to_categorical  #标签向量化有一个快速方法

train_labels = label

train_labels = to_categorical(label)

train_labels.shape

(42000, 10)
```

我们可以先把模型构建起来了

我当时是这么写的，纯dense没必要那么讲究，稍微大点有点感觉。。。

```python
from keras import models

from keras import layers

network = models.Sequential()

network.add(layers.Dense(1024,
activation='relu', input_shape=(28 * 28,)))

network.add(layers.Dense(512,
activation='relu'))

network.add(layers.Dense(256,
activation='relu'))

network.add(layers.Dense(10, activation='softmax'))
```

课后作业（可以不做）

主要懒得打字了，而且你们如果有时间可以自己去了解，下次我也会提的

Relu函数的图像长什么样？

深度学习优化器有哪些
![model.png](http://blog.a152.top/usr/uploads/2021/11/2361707872.png)

## 以后将在这里和笔记本上更新