P4 使用keras進行多分類問題

今天使用keras中的fashionminst資料集進行的，是乙個關於識別服飾的多分類問題，新知識有

知識點匯入資料集

tf.keras.datasets.fashion_mnist.load_data()

看plt.imshow(train_image[1]) & plt.show()

看資料集尺寸

print(train_image.shape)

歸一化處理

當畫素點值在0-255可以歸一化為0-1

當輸入是矩陣怎麼辦

model.add(tf.keras.layers.flatten(input_shape=(28,28)))

多分類問題

tf.keras.layers.dense(10, activation=『softmax』) & 最後一層要注意

損失函式

loss=『sparse_categorical_crossentropy』 & label是數字列表

獨熱編碼(one-hot)

loss=『categorical_crossentropy』

測試集測試

model.evaluate(test_image, test_label)

import tensorflow as tf

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
(train_image, train_label)
,(test_image, test_label)
= tf.keras.datasets.fashion_mnist.load_data(
)# print(train_image.shape) # (60000, 28, 28)用shape函式輸出訓練集size，6000張每乙個28*28
# plt.imshow(train_image[1])
# plt.show()
# print(train_image[1])
# print(train_label[1]) # 0
#進行歸一化處理
train_image = train_image/
255test_image = test_image/
255model = tf.keras.sequential(
)model.add(tf.keras.layers.flatten(input_shape=(28
,28))
)model.add(tf.keras.layers.dense(
128, activation=
'relu'))
model.add(tf.keras.layers.dense(
10, activation=
'softmax'))
model.
compile
(optimizer=
'adam'
, loss=
'sparse_categorical_crossentropy'
, metrics=
['acc'])
model.fit(train_image, train_label, epochs=5)
model.evaluate(test_image, test_label)
# 用測試集進行測試

import tensorflow as tf

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

(train_image, train_label)

,(test_image, test_label)
= tf.keras.datasets.fashion_mnist.load_data(
)# print(train_image.shape) # (60000, 28, 28)用shape函式輸出訓練集size，6000張每乙個28*28

用plt.imshow()看一看訓練集的第2個，是一件t-shirt

print

(train_image[1]
)# np.max(train_image[1]) # 這個可以看矩陣中的最大值是255
只擷取了一部分，可以看到是28*28的矩陣，每乙個畫素有乙個值代表顏色（取值在0-255）
print

(train_label[1]
)# 0
訓練集中第2個資料的label是0，代表的是t-shirt

model = tf.keras.sequential(

)model.add(tf.keras.layers.flatten(input_shape=(28
,28))
)
因為輸入的是乙個28*28的矩陣，所以不能用dense，我們用flatten將矩陣扁平成乙個向量

model.add(tf.keras.layers.dense(

128, activation=
'relu'
))
第二層設定為128個神經元，因為考慮到特徵比較多，activation選用relu

model.add(tf.keras.layers.dense(

10, activation=
'softmax'
))
輸出的時候，因為是多分類過程（具體來說是10分類），所以輸出10個，activation用softmax

model.

compile
(optimizer=
'adam'
, loss=
'sparse_categorical_crossentropy'
, metrics=
['acc'
])
損失函式loss選擇sparse_categorical_crossentropy，是因為多分類問題的lebal是像[0,1,2,3,4]這種數字的情況

同時在訓練時將準確度顯示出來
用60000張的訓練集進行訓練，訓練5次
訓練結束後準確度為89%`
model.evaluate(test_image, train_label)
用測試集去測試model的效能

可以看到model在測試集上的準確度是86%
 
P4學習筆記（三）P4程式語言簡介
上圖展示了p4語言主要結構，下面簡單講解一下p4的基本語法 header ethernet h header vlan tag h struct my headers ht 基本型別派生型別struct 無序成員集合 typedef bit 48 ethernetaddress typedef bi...
資料結構 P4
include 用指標輸出陣列元素 自己寫的函式是array,老師的是array1 2016年6月1日13 28 52 void show array1 int p a的位址傳遞給了p指標變數，p代表a 0 因此p現在是陣列第乙個元素的位址 void show array int a 自己寫的這個欠...
閱讀 用P4對資料平面進行程式設計
關於題目，對資料平面進行程式設計，在之前讀過the road to sdn，軟體定義網路的思想在於數控分離，其對網路行為的程式設計暫時只侷限於網路控制平面。其 平面在很大程度上受制於功能固定的包處理硬體。而p4語言的出現就是為了完全擺脫網路資料平面的束縛。p4被稱作為完全可程式設計南向程式設計介面，...