2024年大数据最新tensorflow2 minist手写数字识别数据训练(1)，后台开发大数据开发岗

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！

#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
> 
> 
> 


![tensorflow2 loss](https://img-blog.csdnimg.cn/b054a42a926c46a2b4cfa4eb201f59bb.png)  
 ![tensorflow2 acc](https://img-blog.csdnimg.cn/b1260d6bf34448769cf98204c0dfb41e.png)


## 三、参考资料


[1] 《Tensorflow深度学习》




---


## 总结


以上就是本次的内容，来总结一下吧：  
 主要介绍了tensorflow2梯度下降算法实现minist手写数字数据集的训练，并对结果进行可视化展示。



> 
> 如果觉得有些帮助或觉得文章还不错，请**关注**一下博主，你的关注是我持续写作的动力。另外，如果有什么问题，可以在评论区留言，或者私信博主，博主看到后会第一时间进行回复。  
>  【间歇性的努力和蒙混过日子，都是对之前努力的清零】  
>  欢迎转载，转载请注明出处：<https://blog.csdn.net/xxm524/article/details/128054377>
> 
> 


![img](https://img-blog.csdnimg.cn/img_convert/f668c2484c8ab8c6e5ba7ab780ca5037.png)
![img](https://img-blog.csdnimg.cn/img_convert/4ff2bb45fd29e983dfdd26187e367081.png)
![img](https://img-blog.csdnimg.cn/img_convert/bcf311e9bcc1248817774770988857b6.png)

**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](https://bbs.csdn.net/topics/618545628)**

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](https://bbs.csdn.net/topics/618545628)**