干燥設備網,干燥劑,干燥機,干燥設備,中網干燥設備網 中網干燥設備網(www.tsyct.com)國內首家開放、權威、領先的干燥設備門戶,網站匯集千家干燥設備類商家供求信息,資訊信息等全力打造國內干燥機第一門戶,歡迎登陸網站免費發布干燥設備招商,求購信息!

    <mark id="wmsrj"></mark>
    1. <small id="wmsrj"><strong id="wmsrj"></strong></small>
      基于滴滴云 GPU 實現簡單 MINIST 手寫識別
      作者:佚名 日期:2020年11月05日 來源:本站原創 瀏覽:

      核心提示:基于滴滴云 GPU 實現簡單 MINIST 手寫識別 1. TensorFlow 與 MNIST TensorFlow 是谷歌于 2015 年 11 月 9 日正式開源的計算框架,可以很好地支持機器學習的各種算法,其靈活的架構可以在多種平臺上展開計算,例如CPU或

      基于滴滴云 GPU 實現簡單 MINIST 手寫識別

      1. TensorFlow 與 MNIST

      TensorFlow 是谷歌于 2015 年 11 月 9 日正式開源的計算框架,可以很好地支持機器學習的各種算法,其靈活的架構可以在多種平臺上展開計算,例如CPU或GPU臺式機、服務器,移動設備等等。

      MNIST 是機器學習領域的一個經典入門 Demo,數據集是由 6 萬張訓練圖片和 1 萬張測試圖片構成,期望效果是讓機器識別一系列大小為 28x28 像素的手寫數字灰度圖像,并判斷這些圖像代表 0-9 中的哪一個數字。

      2. 創建 GPU 云主機

      本文使用滴滴云 GPU P4 服務器,主要創建過程配置如下。

       選擇 GPU 服務器和默認已安裝顯卡驅動的 Centos7.3 鏡像:本次測試選擇 8 核 CPU,16G 內存和 80G SDD 云盤作為系統盤:詳細步驟可點擊以下鏈接參考滴滴云官網教程:https://help.didiyun.com/hc/kb/article/1146353/

      遠程 SSH 連接云主機后,輸入 `sudo su` 切換至 root 用戶,輸入 `nvidia-smi` 查看輸出確認顯卡驅動是否已安裝:

      3. 安裝 TensorFlow

      滴滴云 GPU 虛擬主機預裝了 Python2.7 和 PIP,可以直接用 PIP 安裝 TensorFlow:如果看到以下輸出說明 TensorFlow 安裝成功4. 下載 MNIST 數據集

      MNIST 數據集可在 http://yann.lecun.com/exdb/mnist/  獲取,它包含了四個部分:4. 下載 MNIST 數據集

      MNIST 數據集可在 http://yann.lecun.com/exdb/mnist/  獲取,它包含了四個部分:

      1. train-images-idx3-ubyte.gz:  訓練圖片

      2. train-labels-idx1-ubyte.gz:  訓練標簽

      3. t10k-images-idx3-ubyte.gz:   測試圖片

      4. t10k-labels-idx1-ubyte.gz:   測試標簽

      將以上文件保存在 /tmp 目錄下。

      這些文件并不是標準的圖片格式,因此無法直接展示,需要單獨的程序來讀取,下面我們以 train-images-idx3-ubyte.gz 為例,用一個 Python 程序將其中的內容轉換為普通的 BMP 格式圖片。

      首先將 train-images-idx3-ubyte.gz 解壓到另外的文件夾,因為后面 TensorFlow 用來訓練這些數據是是不需要解壓的:

      這些文件并不是標準的圖片格式,因此無法直接展示,需要單獨的程序來讀取,下面我們以 train-images-idx3-ubyte.gz 為例,用一個 Python 程序將其中的內容轉換為普通的 BMP 格式圖片。

      首先將 train-images-idx3-ubyte.gz 解壓到另外的文件夾,因為后面 TensorFlow 用來訓練這些數據是是不需要解壓的:

      5. 訓練與識別

      接下來在 Python 中運行圖片訓練與識別的代碼。

      加載數據集并使用 one-hot 編碼:導入 TensorFlow 庫,并創建一個 InteractiveSession,這種交互式會話會指定當前會話為默認會話,之后的運算也會在當前會話運行。

      之后創建一個 placeholder 即占位符,可以理解為數據的入口,其中第一個參數是數據類型,為 float32,第二個參數為數據的尺寸,none 表示輸入圖像數量不唯一,784 表示 MNIST 圖像的 784 個像素點,y_ 為圖像的標簽。此處的數據即為 TensorFlow 中的 Tensor ( 張量 ),可簡單理解為多維數組。

      接下來定義 Softmax 回歸模型中的 weights(權重)和 biases(偏置值)創建 Variable 對象。

      本文側重于 MNIST 數據集在滴滴云 GPU 服務器的訓練演示,對 Softmax 回歸模型不做展開討論,可以簡單理解為 w 是一個 784x10 的矩陣,因為我們有 784 個輸入特征和 10 個輸出類別(0~9),b 是一個大小為 10 的向量,代表 10 各類別:訓練完成后,對模型的準確率進行驗證。

      以下代碼中 tf.argmax(y,1) 是指經過學習后判斷圖中數字最可能的值,tf.argmax(y_,1) 是圖片中數字的真實值,tf.equal 檢查判斷值和真實值是否相等:我們可以看到準確率為 92.53%。

      輸入AI大師碼【1122】,滴滴云GPU全線產品享9折優惠。

      上一篇文章:17 倍加速:PyTorch 模型的 GPU 優化剖析
      下一篇文章:滴滴云現已推出集成 NVIDIA 授權的 vGPU 實例
      發表評論
      用戶評論
      關于我們 | 企業推廣 | 服務條款 | 廣告服務 | 隱私聲明 | 免責聲明 | 聯系我們
      9万彩票