TensorFlow TfLearn的安装

TFlearn是一个基于TensorFlow框架的开源深度学习库。它提供了一个高级API，方便创建和训练不同的神经网络模型。

TFlearn提供了一系列预定义的模型，比如卷积神经网络（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，如ReLU（修正线性单元）、softmax，以及损失函数，如分类交叉熵等。

TFlearn是初学者的理想库，因为它不需要对TensorFlow中的神经网络API有深入的了解。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的网络架构，如AlexNet或LeNet架构。

如何使用TFlearn

首先，检查您的系统中是否存在Python。您可以通过打印系统中存在的Python版本来查看。

python ---version

如果您的系统中没有安装Python，您可以访问“python.org”网站安装Python 3.8或更高版本。

然后，检查您的系统是否安装了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已经安装好了。如果还没有安装，它将在您的系统中安装这个模块。

在之后，使用以下命令将TfLearn模块安装到您的系统中：

pip install tflearn

TensorFlow TfLearn的安装

现在，既然我们已经下载了所有的先决条件，让我们看一个使用TfLearn的例子。

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的默认包中包含了MNIST数据集。因此，我们可以利用它。

为了提高预测准确性，并使计算机能够理解图像，我们使用了一种叫做独热编码的概念来定义类别[0,…,9]。数据集实际上是由手写数字组成的。

步骤

导入所有的库。
加载MNIST数据集，并将其值分配给x_train、y_train、x_test和y_test，其中x表示值，y表示数据集中的标签。
将x_train和x_test转换为浮点型，并通过除以255将它们的像素值转换为0或1。
定义10个子图，并通过初始化for循环来自动缩放它们的图像比例，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为训练和测试数据。然后我们将训练和测试数据的数据类型转换为float32，并对图像的像素值进行归一化，将它们除以255.0，使它们在0和1的范围内。

我们创建一个10×10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，我们从训练集中显示一个图像，将图像从1D数组重塑成2D数组，尺寸为28×28。

输出

TensorFlow TfLearn的安装

示例2

在上一个示例中，我们加载了没有进行one-hot编码的MNIST数据。在下一个示例中，我们将打印应用one-hot编码后的训练和测试标签的形状，并打印训练标签的前五行。

步骤

使用tflearn导入MNIST数据集。
使用one-hot编码值加载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，我们加载包含手写数字图像的MNIST数据集。然后，我们将训练图像和标签分别赋给不同的变量，并将测试图像和标签类似地赋给不同的变量。

one_hot = true参数确保标签以one_hot编码的格式表示，这是一种将所需数据表示为二进制向量格式的表示方法，其中一个元素被固定为热（1），其余元素表示为冷（0）。在这里，热元素是所需的目标元素。

然后，我们打印出测试和训练数据（图像和标签）。

输出

TensorFlow TfLearn的安装

建立神经网络模型

现在我们对我们正在使用的数据有一个概念，让我们构建我们的神经网络模型。神经网络由3层组成，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。

我们定义具有256个层的隐藏层的神经网络，其中使用ReLU激活函数，以及由10层组成的输出层和softmax激活函数。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学习率为0.1来定义模型。使用这些，我们构建并适应我们的训练数据和测试数据，之后打印出模型的准确度。

步骤

导入所有库。
加载MNIST数据集并将值分配给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个层以及ReLU激活函数进行等式化。
对于输出层，添加10个层以及softmax激活函数。
使用必要的优化器和损失函数编译模型，并打印准确率。

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。然后对标签应用一位有效编码格式。然后定义神经网络的架构，并设置网络的训练参数，如学习速率、损失函数等。

然后我们在训练数据上训练模型20个epochs，并在训练过程中验证模型在测试数据上的性能。然后对测试数据进行评估并计算准确率。

输出

TensorFlow TfLearn的安装

示例4

在上面的示例中，我们可以看到准确率达到97.5%，非常好。通过更改优化器和损失函数，我们可以微调模型的准确性。在本例中，我们使用了Adam优化器。

步骤

导入所有库。
加载MNIST数据集，并将值分配给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。
在导入数据集时设置one_hot=True。
打印所有变量的形状。
定义一个输入层为[None,784]。
对于隐藏层，使用256个层以及ReLU激活函数。
对于输出层，添加10个层以及softmax激活函数。
使用必要的优化器和损失函数编译模型，并打印准确率。

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)