2024年最全tensorflow2 minist手写数字识别数据训练，大数据开发开发者跳槽面试

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

import tensorflow as tf
from tensorflow import keras
from keras import layers, optimizers, datasets

#加载minist数据集，分成训练集和测试集，每个样本包含图像和标签
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets', x.shape, y.shape, x.min(), y.min())
#训练集图像数据归一化到0-1之前
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
#构建数据集对象
db = tf.data.Dataset.from_tensor_slices((x, y))
#批量训练，并行计算一次32个样本、所有数据集迭代20次
db = db.batch(32).repeat(10)
#构建Sequential窗口，一共3层网络，并且前一个网络的输出作为后一个网络的输入
model = keras.Sequential([
    layers.Dense(256, activation='relu'),
    layers.Dense(128, activation='relu'),
    layers.Dense(10)
])
#指定输入大小
model.build(input_shape=(None, 28\*28))
#打印出网络的结构和参数量
model.summary()
#optimizers用于更新梯度下降算法参数，0.01为学习率
optimizer = optimizers.SGD(lr=0.01)
#准备率
acc_meter = keras.metrics.Accuracy()
#创建参数文件
summary_writer = tf.summary.create_file_writer('/Users/qcr/tf\_log')
#循环数据集
for step, (xx, yy) in enumerate(db):
    #上下文
    with tf.GradientTape() as tape:
        #图像样本大小重置(-1, 28\*28)
        xx = tf.reshape(xx, (-1, 28\*28))
        #获取输出
        out = model(xx)
        #实际标签转为onehot编码
        y_onehot = tf.one_hot(yy, depth=10)
        #计算误差
        loss = tf.square(out-y_onehot)
        loss = tf.reduce_sum(loss/xx.shape[0])
    #更新准备率
    acc_meter.update_state(tf.argmax(out, axis=1), yy)
    #更新梯度参数
    grads = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(grads, model.trainable_variables))
    #参数存储，便于查看曲线图
    with summary_writer.as_default():
        tf.summary.scalar('train-loss', float(loss), step=step)
        tf.summary.scalar('test-acc', acc_meter.result().numpy(), step=step)
        #tf.summary.image('val-onebyone-images', val)
    if step % 1000 == 0:
        print(step, 'loss:', float(loss), 'acc:', acc_meter.result().numpy())
        acc_meter.reset_states()

二、输出

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param # 
=================================================================
 dense (Dense)               (None, 256)               200960    
                                                                 
 dense_1 (Dense)             (None, 128)               32896     
                                                                 
 dense_2 (Dense)             (None, 10)                1290      
                                                                 
=================================================================
Total params: 235,146
Trainable params: 235,146
Non-trainable params: 0

0 loss: 1.6363120079040527 acc: 0.0625
1000 loss: 0.3189510107040405 acc: 0.83390623
2000 loss: 0.2195253074169159 acc: 0.91753125
3000 loss: 0.2733377516269684 acc: 0.93
4000 loss: 0.20172631740570068 acc: 0.9415
5000 loss: 0.13919278979301453 acc: 0.94378126
6000 loss: 0.14041364192962646 acc: 0.951625
7000 loss: 0.0935342013835907 acc: 0.9514375
8000 loss: 0.1644362509250641 acc: 0.95728123
9000 loss: 0.11363211274147034 acc: 0.9559063
10000 loss: 0.15755562484264374 acc: 0.9628125
11000 loss: 0.0880645364522934 acc: 0.959375
12000 loss: 0.08858028799295425 acc: 0.9657813
13000 loss: 0.0917932391166687 acc: 0.96296877
14000 loss: 0.06503693014383316 acc: 0.9683125
15000 loss: 0.09167198836803436 acc: 0.9665625
16000 loss: 0.1386248767375946 acc: 0.96834373
17000 loss: 0.10692787915468216 acc: 0.96953124
18000 loss: 0.10871071368455887 acc: 0.9697813

误差和准确率曲线

三、参考资料

[1] 《Tensorflow深度学习》

---

总结

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

正体系化！**

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取