人工智能云平台部署与开发（微课版）课件 项目7_AI云容器的开发.pptx

项目7AI云容器的开发

目录01训练手写数字识别模型02训练商品销量预测模型03训练人脸识别模型

01训练手写数字识别模型

训练手写数字识别模型本任务需要部署JupyterNotebook容器，并且在JupyterNotebook工具中实现对手写数字的识别，因此第一步需要安装JupyterNotebook容器，命令如下，如图所示。#dockerpulldaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter

训练手写数字识别模型镜像下载完成后运行JupyterNotebook，命令如下。并且复制运行之后得到的URL，在浏览器打开它。运行JupyterNotebook、浏览器中打开URL，如图所示。#dockerrun--namemy-tensorflow-it-p8888:8888-v/tensorflow:/test/datadaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter

训练手写数字识别模型在测试手写数字识别效果之前，先准备数字0～9的手写图片，上传到JupyterNotebook。单击右侧的“Upload”按钮，上传图片，如图所示。

训练手写数字识别模型上传好文件之后，单击“New”按钮，在下拉列表中选择“Python3”，新建一个Python3的笔记，开始训练手写数字识别模型。训练手写数字识别模型的代码是项目6中任务6.3所用到的代码，在这个任务的代码的基础上去掉最后的测试部分代码，加入保存训练模型的代码。新建Python3笔记、运行训练代码，本项目的训练代码如下。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()

训练手写数字识别模型

训练手写数字识别模型确保代码无误之后，需要导入自己的手写数字图片，因此需要用到Python的imageio库。安装完imageio之后重启内核完成更新。安装imageio、加载手写数字图片。安装imageio的命令如下。#pipinstallimageio-i/simple/加载手写数字图片的代码如下。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)self_data=np.array(img_data).reshape(len(img_data),28,28)

训练手写数字识别模型

训练手写数字识别模型准备工作完成之后，开始检测手写数字，以0～9的顺序检测。从识别的结果上看，我们手写的数字0在机器看来比较像数字9。手写数字识别结果，如图所示。

02训练商品销量预测模型

训练商品销量预测模型将代码写到输入行中，代码参考书本P169~P171程序编写好之后，运行程序，预测结果上方的两个数值是真实数值，下方的两个数值是预测数值，这里设定了loss_less是1，loss_more是10，