人工智能云平臺部署與開發(fā)（微課版） 課件 項目6、7 AI云容器的部署、AI云容器的開發(fā)

項目6AI云容器的部署目錄01

學習TensorFlow人工智能平臺02部署TensorFlow云容器03使用TensorFlow開發(fā)“HelloWorld”程序01學習TensorFlow人工智能平臺部署TensorFlow1．TensorFlowTensorFlow是谷歌公司開發(fā)的一個開源的機器學習框架。這個框架基于Python語言開發(fā)，在圖形分類、音頻處理、自然語言處理等場景下應用豐富，也是當下非常熱門的機器學習框架之一。部署TensorFlow在安裝TensorFlow之前，需確保正在使用的系統(tǒng)是TensorFlow支持的。TensorFlow支持的系統(tǒng)如下。Ubuntu16.04及以上版本。Windows7及以上版本。macOS10.12.6及以上版本。Raspbian9.0及以上版本。確認支持的系統(tǒng)之后，開始安裝TensorFlow。我們首先需要確保pip是最新版本，舊版本的pip在安裝的時候可能會遇到問題，所以我們需要先升級pip到最新版本。#pip3install--upgradepip部署TensorFlow確保pip是最新版本之后，使用如下命令安裝穩(wěn)定版的TensorFlow，其執(zhí)行結(jié)果如圖所示。#pip3installtensorflow通過下列命令測試TensorFlow是否安裝成功，如果有返回張量信息，則表明安裝成功。#python3-c"importtensorflowastf;print(tf.reduce_sum(tf.random.normal([1000,1000])))"02部署TensorFlow云容器部署TensorFlow云容器部署TensorFlow容器需要用到Docker，安裝Docker之前先升級apt包并且允許apt從倉庫下載Docker。升級apt的命令如下，其執(zhí)行結(jié)果如圖所示。#sudoapt-getupdate部署TensorFlow云容器安裝包的命令如下，其執(zhí)行結(jié)果如圖所示。#sudoapt-getinstall\apt-transport-https\ca-certificates\curl\gnupg\lsb-release部署TensorFlow云容器添加Docker官方的GPG密鑰命令如下，其執(zhí)行結(jié)果如圖所示。#curl-fsSL/linux/ubuntu/gpg|sudogpg--dearmor-o/usr/share/keyrings/docker-archive-keyring.gpg部署TensorFlow云容器建立穩(wěn)定版的倉庫，命令如下。#echo\"deb[arch=amd64signed-by=/usr/share/keyrings/docker-archive-keyring.gpg]/linux/ubuntu\$(lsb_release-cs)stable"|sudotee/etc/apt/sources.list.d/docker.list>/dev/null倉庫更改之后，需要再次更新apt。然后開始安裝Docker引擎，命令如下，其執(zhí)行結(jié)果如圖所示。#sudoapt-getupdate#sudoapt-getinstalldocker-cedocker-ce-clicontainerd.io部署TensorFlow云容器安裝好Docker引擎后，開始安裝TensorFlow。官方TensorFlowDocker映像位于tensorflow/tensorflow，即DockerHub代碼庫中。下載鏡像的命令如下，其執(zhí)行結(jié)果如圖所示。#dockerpulltensorflow/tensorflow部署TensorFlow云容器鏡像下載好之后啟動運行，測試是否安裝成功。測試結(jié)果的命令如下，其執(zhí)行結(jié)果如圖所示。#dockerrun-it--rmtensorflow/tensorflow\python-c"importtensorflowastf;print(tf.reduce_sum(tf.random.normal([1000,1000])))"03使用TensorFlow開發(fā)“HelloWorld”程序使用TensorFlow開發(fā)程序1．手寫數(shù)字識別首先，創(chuàng)建一個helloworld.py文件，用來存儲“HelloWorld”的源代碼。在TensorFlow中，“HelloWorld”并不是真正輸出“HelloWorld”，而是指在機器學習和人工智能中，相當于其他語言的“HelloWorld”地位的入門程序，是訓練手寫數(shù)字的識別。用“touch”命令創(chuàng)建一個helloworld.py文件，存儲手寫數(shù)字識別程序，命令如下。#touchhelloworld.py文件創(chuàng)建完成后，用“l(fā)s”命令查看是否成功創(chuàng)建，若創(chuàng)建失敗，則需重新創(chuàng)建一個，命令如下，結(jié)果如圖所示。#ls使用TensorFlow開發(fā)程序編輯helloworld.py文件的命令如下，其執(zhí)行結(jié)果如圖所示。#gedithelloworld.py使用TensorFlow開發(fā)程序?qū)胂螺d好的TensorFlow，代碼如下。importtensorflowastf在編寫程序之前，需要準備好MNIST數(shù)據(jù)集：下載訓練集和測試集，以及兩個數(shù)據(jù)集的標簽。如果不下載數(shù)據(jù)集，Keras在檢測不到數(shù)據(jù)集的情況下會自動下載數(shù)據(jù)集。下載MNIST數(shù)據(jù)集，如圖所示。使用TensorFlow開發(fā)程序樣本準備好之后，將樣本的整數(shù)型數(shù)據(jù)轉(zhuǎn)化成浮點型數(shù)據(jù)，代碼如下。mnist=tf.keras.datasets.mnist(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train,x_test=x_train/255.0,x_test/255.0之后把各層模型堆疊起來，搭建tf.keras.Sequential模型，代碼如下。model=tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10,activation='softmax')])使用TensorFlow開發(fā)程序為模型選擇一個損失函數(shù)，代碼如下。pile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])最后對模型進行訓練和測試，訓練的方法是fit()，測試的方法是evaluate()。訓練和測試、運行程序、訓練和驗證結(jié)果。訓練、測試的代碼如下。model.fit(x_train,y_train,epochs=5)model.evaluate(x_test,y_test,verbose=2)使用TensorFlow開發(fā)程序使用TensorFlow開發(fā)程序2．服裝圖像分類服裝產(chǎn)品的分類對于購物App來說是不可繞開的一環(huán)，沒有產(chǎn)品分類，消費者尋找商品的時候會沒有頭緒，無法準確找到自己想要的產(chǎn)品（如鞋子、帽子等）。因此服飾產(chǎn)品的分類在銷售過程中顯得尤為重要：能夠幫助客戶更快定位想要的產(chǎn)品類型，進而推送相關(guān)產(chǎn)品給客戶，達到銷售的目的。服裝圖像分類會用到Keras。Keras是Python的深度學習API，以TensorFlow作為后端支持Keras的運行。這里不是直接使用Keras或直接導入Keras，而是通過TensorFlow導入經(jīng)過打磨后的API“keras”，其代碼如下。fromtensorflowimportkeras進行程序開發(fā)的第一步，創(chuàng)建一個Python文件，用于保存程序。用“touch”命令創(chuàng)建一個名為cloth.py的文件，并且用“l(fā)s”命令查看文件是否創(chuàng)建成功，命令如下，結(jié)果如圖所示。touchcloth.pyls使用TensorFlow開發(fā)程序文件創(chuàng)建成功之后，進入cloth.py文件，編寫程序，命令如下。geditcloth.py本程序?qū)褂肨ensorFlow以及Keras，所以需要在文件開頭導入這兩個庫。進入cloth.py文件，添加如下內(nèi)容導入TensorFlow以及Keras，以滿足之后程序開發(fā)所需要的功能需求。importtensorflowastffromtensorflowimportkeras在進行圖像分類時，還需要額外用到NumPy庫和Matplotlib庫。NumPy庫是Python的科學計算基礎(chǔ)軟件庫，是眾多Python庫中的一個。Matplotlib庫是Python的2D繪圖庫，它可以生成圖表、直方圖、功率譜、條形圖、誤差圖、散點圖等。服裝圖像分類需要用NumPy庫進行科學計算，用Matplotlib庫輸出分類結(jié)果的圖表，讓使用者能夠更加直觀地看到最終的分類結(jié)果。使用TensorFlow開發(fā)程序在使用這兩個庫之前，需要確保計算機上安裝了NumPy和Matplotlib，用以下命令安裝NumPy和matplotlib。pipinstallnumpypipinstallmatplotlib如果計算機上已經(jīng)安裝了某庫，就會提示該庫已存在。如本任務在安裝NumPy時，計算機已經(jīng)安裝過這個庫，因此在執(zhí)行命令的時候會提示NumPy庫已經(jīng)安裝。NumPy庫已存在的提醒如圖所示。使用TensorFlow開發(fā)程序安裝Matplotlib，如圖所示。若計算機未安裝該庫，將顯示安裝過程和進度，直至最后安裝成功的提示。如果Matplotlib安裝失敗，用戶可以查看錯誤信息并根據(jù)其內(nèi)容進行調(diào)整。使用TensorFlow開發(fā)程序NumPy庫和Matplotlib庫安裝完成之后，返回cloth.py程序文件，在程序文件的頭部導入這兩個庫，并將NumPy庫的使用名改為np，用“as”命令就可以更改NumPy在調(diào)用時使用的名字，Matplotlib庫中只需導入pyplot即可，同樣也更改使用名，將名字更改為plt。在cloth.py頭部添加如下內(nèi)容導入NumPy和Matplotlib。importnumpyasnpimportmatplotlib.pyplotasplt本任務用的數(shù)據(jù)集是FashionMNIST數(shù)據(jù)集，如圖所示，其中包含60000個訓練集和10000個測試集。訓練集的意思是這一部分的數(shù)據(jù)集合是用來訓練圖像分類模型的，測試集則是用于檢驗訓練完的模型。使用TensorFlow開發(fā)程序FashionMNIST數(shù)據(jù)集中，每張圖片都是28×28像素大小，每張圖片的像素值為0～255，總共被分為10類，訓練集和測試集中的每張圖片都有對應的標簽。標簽的數(shù)字對應著程序分類之后的結(jié)果，將結(jié)果和數(shù)字對應，結(jié)合Matplotlib庫輸出一個圖表，提供更加直觀的可視化結(jié)果。FashionMNIST數(shù)據(jù)集分類，如表所示。標簽名稱0T-shirt/top1Trouser2Pullover3Dress4Coat5Sandal6Shirt7Sneaker8Bag9Ankleboot使用TensorFlow開發(fā)程序找到了需要的數(shù)據(jù)集之后，接下來就是在cloth.py文件中下載數(shù)據(jù)集，并且對數(shù)據(jù)集進行分類放置。TensorFlow已經(jīng)為用戶準備好了下載數(shù)據(jù)集的方法，讀者只需要調(diào)用load_data()這個方法就可以下載和分類數(shù)據(jù)集了。下載數(shù)據(jù)集，如圖所示。下載數(shù)據(jù)集的代碼如下。fashion_mnist=keras.datasets.fashion_mnistfashion_mnist.load_data()=(train_images,train_labels),(test_images,test_labels)代碼所表達的意思是：將數(shù)據(jù)分成訓練集和測試集兩個部分，每個部分分成圖片和標簽，下載完成后，load_data()方法會返回4個NumPy數(shù)組，對應著“(train_images,train_labels),(test_images,test_labels)”。下載方法寫好后保存程序，回到終端執(zhí)行cloth.py文件，執(zhí)行下載方法。使用TensorFlow開發(fā)程序為了使輸出的結(jié)果更加直觀，這里加上了標簽的名稱，作為Matplotlib繪制圖標時的坐標名稱，代碼如下。class_names=['T-shirt/top','Trouser','Pullover','Dress','Coat','Sandal','Shirt','Sneaker','Bag','Ankleboot']之后是數(shù)據(jù)的處理部分，先查看之前下載的數(shù)據(jù)集。需要用到Matplotlib庫查看經(jīng)過處理后的圖片。plt.figure()plt.imshow(train_images[9])plt.colorbar()plt.grid(False)plt.show()plt.figure()plt.imshow(train_images[19])plt.colorbar()plt.grid(False)plt.show()使用TensorFlow開發(fā)程序使用TensorFlow開發(fā)程序查看完數(shù)據(jù)集之后，為了訓練神經(jīng)網(wǎng)絡(luò)模型，需要對這些數(shù)據(jù)集進行預處理，將每張圖片0～255的像素數(shù)值，轉(zhuǎn)化為0～1的像素數(shù)值，因此需要將每一個訓練集和測試集的圖片像素數(shù)值都除以255.0，讓每一張圖片的最終像素數(shù)值都在0～1之間，代碼如下。train_images=train_images/255.0test_images=test_images/255.0預處理完數(shù)據(jù)集中訓練集和測試集的圖片，用Matplotlib庫檢查圖像的像素數(shù)值、格式等是否正確，代碼如下。檢查圖像，如圖6-30所示。plt.figure(figsize=(10,10))foriinrange(25):plt.subplot(5,5,i+1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i],cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i]])plt.show()使用TensorFlow開發(fā)程序使用TensorFlow開發(fā)程序訓練神經(jīng)網(wǎng)絡(luò)模型需要先構(gòu)建模型，配置模型的層（Layer），然后編譯和訓練模型。層是構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本組成部分，層會從輸入數(shù)據(jù)（經(jīng)過運算后的一些數(shù)據(jù)）中提取特征，利用這些數(shù)據(jù)解決問題。本任務利用Keras的Sequential()方法，配置了3層模型，分別是扁平層和兩個密集連接或全連接神經(jīng)層。第一層扁平層的作用是將二維數(shù)組轉(zhuǎn)化為一維數(shù)組，因為圖片是一個二維的數(shù)據(jù)，因此用二維數(shù)組保存。為了訓練神經(jīng)網(wǎng)絡(luò)模型，需要將這個二維的數(shù)據(jù)轉(zhuǎn)換成一維的數(shù)據(jù)。將二維數(shù)組轉(zhuǎn)化為一維數(shù)組的操作叫作扁平化。第二層和第三層是密集連接層或全連接層，如果神經(jīng)網(wǎng)絡(luò)層數(shù)多的話，它們都可以計入隱藏層。第一個Dense層有128個神經(jīng)元，使用的激活函數(shù)是relu函數(shù)；第二個Dense層會返回一個長度為10的logits數(shù)組，每個元素有一個得分，用來表示當前預測的圖像屬于10個標簽中的哪一類。代碼如下。model=keras.Sequential([keras.layers.Flatten(input_shape=(28,28)),keras.layers.Dense(128,activation='relu'),keras.layers.Dense(10)])使用TensorFlow開發(fā)程序在編譯模型這個步驟中，需要確定一些關(guān)鍵的信息，比如損失函數(shù)、優(yōu)化器、指標等，這些信息對最終模型的訓練有著很大的影響。損失函數(shù)的作用是測量模型在訓練期間的準確率，優(yōu)化器的作用是決定模型如何根據(jù)數(shù)據(jù)和損失函數(shù)進行更新，指標的作用是監(jiān)控訓練和測試步驟。代碼如下。pile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])所有準備步驟完成之后，開始訓練模型。首先擬合數(shù)據(jù)，調(diào)用model.fit()方法就可以擬合模型與訓練數(shù)據(jù)。擬合就是對模型的訓練，代碼里進行了10個輪次的擬合。擬合模型如圖所示。擬合后可以看到模型的準確率有0.9100。使用TensorFlow開發(fā)程序查看模型在測試集上的準確度代碼如下，其結(jié)果如圖所示。test_loss,test_acc=model.evaluate(test_images,test_labels,verbose=2)print('\n測試集準確度:',test_acc)模型在測試集上的準確度并沒有在訓練集上的高，測試集的準確度大概為0.8851，這里有一個比較重要的概念——過擬合。過擬合指的是機器學習模型對新的輸入、一些不屬于訓練集的輸入進行預測、分類等操作時的表現(xiàn)并沒有在訓練數(shù)據(jù)上表現(xiàn)得好。過擬合會記住訓練集上的一些噪聲和細節(jié)，這些內(nèi)容會對模型在新數(shù)據(jù)上的表現(xiàn)有負面影響。使用TensorFlow開發(fā)程序模型訓練好之后，接下來就是對圖像進行實際的預測。本任務的模型中增加了一層softmax層，用于將logits的線性輸出轉(zhuǎn)化成概率，代碼如下。probability_model=tf.keras.Sequential([model,tf.keras.layers.Softmax()])predictions=probability_model.predict(test_images)添加完成之后，對測試集的數(shù)據(jù)進行預測，并且輸出預測圖像的標簽，對比預測的結(jié)果是否準確，代碼如下。預測結(jié)果如圖所示。np.argmax(predictions[10])test_labels[10]在JupyterNotebook中，可以看到分段執(zhí)行的兩部分代碼：預測結(jié)果和圖像標簽。這就是說，可以更加直觀地看出預測的結(jié)果是否跟標簽標記的相同。模型顯示第一張圖預測的結(jié)果，這張圖片的內(nèi)容屬于分類里的第十類，也就是Ankleboot（短靴）。從預測圖片的標簽中可以知道，這張圖片確實屬于短靴，因此模型的預測結(jié)果是正確的。使用TensorFlow開發(fā)程序接下來就是利用Maplotlib庫將預測的結(jié)果繪制成圖表，更加直觀地顯示預測結(jié)果。為了能夠繪制圖表，需要創(chuàng)建兩個方法，分別是plot_image()和plot_value_array()。plot_image()方法用于繪制預測的圖片以及所屬類別和預測準確率，plot_value_array()方法用于繪制預測結(jié)果的直方圖，代碼如下。defplot_image(i,predictions_array,true_label,img):predictions_array,true_label,img=predictions_array,true_label[i],img[i]plt.grid(False)plt.xticks([])plt.yticks([])plt.imshow(img,cmap=plt.cm.binary)predicted_label=np.argmax(predictions_array)ifpredicted_label==true_label:color='blue'else:color='red'plt.xlabel("{}{:2.0f}%({})".format(class_names[predicted_label],100*np.max(predictions_array),class_names[true_label]),color=color)defplot_value_array(i,predictions_array,true_label):predictions_array,true_label=predictions_array,true_label[i]plt.grid(False)plt.xticks(range(10))plt.yticks([])thisplot=plt.bar(range(10),predictions_array,color="#777777")plt.ylim([0,1])predicted_label=np.argmax(predictions_array)thisplot[predicted_label].set_color('red')thisplot[true_label].set_color('blue')使用TensorFlow開發(fā)程序?qū)懲昀L制圖表的方法后，接下來就是通過圖表的方式顯示預測結(jié)果的時刻。比如，測試集中的第22張圖的預測結(jié)果，第55張圖的預測結(jié)果。代碼如下。i=21plt.figure(figsize=(6,3))plt.subplot(1,2,1)plot_image(i,predictions[i],test_labels,test_images)plt.subplot(1,2,2)plot_value_array(i,predictions[i],test_labels)plt.show()i=54plt.figure(figsize=(6,3))plt.subplot(1,2,1)plot_image(i,predictions[i],test_labels,test_images)plt.subplot(1,2,2)plot_value_array(i,predictions[i],test_labels)plt.show()使用TensorFlow開發(fā)程序3．電影評論分類評論在日常生活中是很常見的，比如在各種相應的App中會有對餐飲店、景點、住宿、商家等的評論，評論的內(nèi)容各式各樣，有積極的評論、中肯的評論、惡意的評論等。本任務將關(guān)注對電影的評論，并將評論的內(nèi)容分為積極和消極兩類，這也是一個機器學習中重要且應用廣泛的二分類問題。本任務采用了網(wǎng)絡(luò)電影數(shù)據(jù)庫中的IMDB數(shù)據(jù)集，這個數(shù)據(jù)集包含50000條電影評論。任務中將這50000條評論按照好評和差評切割成訓練集和測試集，兩個數(shù)據(jù)集都有25000條評論數(shù)據(jù)。任務的開始需要創(chuàng)建comment.py文件，用于存儲程序。命令如下。touchcomment.py本任務將在JupyterNotebook上進行，因此運行過程中的代碼需要讀者自行保存到創(chuàng)建好的comment.py文件中。首先導入TensorFlow庫、Keras庫和NumPy庫，代碼如下。importtensorflowastffromtensorflowimportkerasimportnumpyasnp使用TensorFlow開發(fā)程序接下來用TensorFlow提供的下載數(shù)據(jù)集的方法，將IMDB數(shù)據(jù)集下載并保存到NumPy數(shù)組里，代碼如下。num_words參數(shù)保留了1萬個常見單詞，低頻的詞匯會被丟棄。下載數(shù)據(jù)集，如圖所示。imdb=keras.datasets.imdb(train_data,train_labels),(test_data,test_labels)=imdb.load_data(num_words=10000)使用TensorFlow開發(fā)程序IMDB影評數(shù)據(jù)集是經(jīng)過處理后的數(shù)據(jù)集，每個單詞都被轉(zhuǎn)化成對應的整數(shù)數(shù)字，標簽有兩個數(shù)值，分別是0和1，0代表差評，1代表好評。隨機輸出一條處理后的評論及其標簽。評論數(shù)據(jù)、評論數(shù)據(jù)的標簽。使用TensorFlow開發(fā)程序在輸出的評論數(shù)據(jù)中可以看到每個單詞都被轉(zhuǎn)化成數(shù)字，最終以數(shù)組的形式呈現(xiàn)。由于影評的長度各不相同，但神經(jīng)網(wǎng)絡(luò)的輸入必須長度一致，因此本任務使用填充數(shù)組的方式讓數(shù)組長度標準化，可以調(diào)用Keras庫中的pad_sequences()方法。把處理數(shù)據(jù)這一步作為神經(jīng)網(wǎng)絡(luò)的第一層，代碼如下。train_data=keras.preprocessing.sequence.pad_sequences(train_data,value=0,padding='post',maxlen=256)test_data=keras.preprocessing.sequence.pad_sequences(test_data,value=0,padding='post',maxlen=256)使用TensorFlow開發(fā)程序填充的值是0，填充后最大長度是256，所以每條影評最后的長度都是256。隨機輸出其中的幾條數(shù)據(jù)查看長度，輸出其中一個數(shù)組的內(nèi)容，查看填充的數(shù)據(jù)是否是0。檢查數(shù)據(jù)長度、數(shù)據(jù)填充。使用TensorFlow開發(fā)程序接下來是構(gòu)建模型的階段，如圖所示。本任務的模型總共分為4層，分別是嵌入層、池化層、全連接層和輸出層，代碼如下。vocab_size=10000model=keras.Sequential()model.add(keras.layers.Embedding(vocab_size,16))model.add(keras.layers.GlobalAveragePooling1D())model.add(keras.layers.Dense(16,activation='relu'))model.add(keras.layers.Dense(1,activation='sigmoid'))model.summary()使用TensorFlow開發(fā)程序本任務選擇的損失函數(shù)是binary_crossentropy，它能夠度量概率分布之間的“距離”，代碼如下。pile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])本任務將會應用驗證集，驗證集就是從訓練集中剝離一定量的數(shù)據(jù)，用于檢查模型在從未見過的數(shù)據(jù)上的準確率。首先，創(chuàng)建驗證集，代碼如下。x_val=train_data[:10000]partial_x_train=train_data[10000:]y_val=train_labels[:10000]partial_y_train=train_labels[10000:]使用TensorFlow開發(fā)程序接下來開始訓練模型，訓練的過程監(jiān)控驗證集的損失值和準確率，代碼如下，結(jié)果如圖所示。history=model.fit(partial_x_train,partial_y_train,epochs=40,batch_size=512,validation_data=(x_val,y_val),verbose=1)使用TensorFlow開發(fā)程序訓練完模型之后，通過調(diào)用evaluate()方法評估模型的性能，代碼如下。圖6-43所示的模型評估的準確率為87.35%。results=model.evaluate(test_data,test_labels,verbose=2)print(results)謝謝大家項目7AI云容器的開發(fā)目錄01

訓練手寫數(shù)字識別模型02訓練商品銷量預測模型03訓練人臉識別模型01訓練手寫數(shù)字識別模型訓練手寫數(shù)字識別模型本任務需要部署JupyterNotebook容器，并且在JupyterNotebook工具中實現(xiàn)對手寫數(shù)字的識別，因此第一步需要安裝JupyterNotebook容器，命令如下，如圖所示。#dockerpulldaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter訓練手寫數(shù)字識別模型鏡像下載完成后運行JupyterNotebook，命令如下。并且復制運行之后得到的URL，在瀏覽器打開它。運行JupyterNotebook、瀏覽器中打開URL，如圖所示。#dockerrun--namemy-tensorflow-it-p8888:8888-v/tensorflow:/test/datadaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter訓練手寫數(shù)字識別模型在測試手寫數(shù)字識別效果之前，先準備數(shù)字0～9的手寫圖片，上傳到JupyterNotebook。單擊右側(cè)的“Upload”按鈕，上傳圖片，如圖所示。訓練手寫數(shù)字識別模型上傳好文件之后，單擊“New”按鈕，在下拉列表中選擇“Python3”，新建一個Python3的筆記，開始訓練手寫數(shù)字識別模型。訓練手寫數(shù)字識別模型的代碼是項目6中任務6.3所用到的代碼，在這個任務的代碼的基礎(chǔ)上去掉最后的測試部分代碼，加入保存訓練模型的代碼。新建Python3筆記、運行訓練代碼，本項目的訓練代碼如下。importtensorflowastfmnist=tf.keras.datasets.mnist(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train,x_test=x_train/255.0,x_test/255.0model=tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10,activation='softmax')])pile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

model.fit(x_train,y_train,epochs=5)model.save('my_model.h5')model.summary()訓練手寫數(shù)字識別模型訓練手寫數(shù)字識別模型確保代碼無誤之后，需要導入自己的手寫數(shù)字圖片，因此需要用到Python的imageio庫。安裝完imageio之后重啟內(nèi)核完成更新。安裝imageio、加載手寫數(shù)字圖片。安裝imageio的命令如下。#pipinstallimageio-i/simple/加載手寫數(shù)字圖片的代碼如下。importglobimportimageioimportnumpyasnpimg_data=[]forimage_file_nameinglob.glob('*.jpg'):print('loading...',image_file_name)img_array=imageio.imread(image_file_name,as_gray=True)img_data.append((255.0-img_array.reshape(784))/255.0)s