1,导入所需模块。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D
2,构建模型。
model = Sequential()
model.add(Conv2D(16,(3,3),activation='relu',padding ='valid',input_shape=(28,28,1)))
model.add(MaxPooling2D((3,3)))
model.add(Flatten())
model.add(Dense(64,activation='relu'))
model.add(Dense(10,activation='softmax'))
3,输出模型每一层的具体信息。
model.summary()
4,指定优化器和损失函数。
model.compile(optimizer='sgd',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
5,对训练数据进行训练。
history = model.fit(train_images,train_labels,epochs = 10,batch_size=16)
6,将训练的损失函数画出来。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(history.history)
loss_plot = df.plot(y = "loss",title = "Loss vs Epoch",legend = False)
loss_plot.set(xlabel="Epochs",ylabel="Loss")
7,评估模型。
test_loss,test_accuracy = model.evaluate(test_images[...,np.newaxis],test_labels) #如果输入数据没有channel,需要手动增加一个维度用来匹配模型的输入类型。
8,对新的输入数据进行预测。
np.argmax(model.predict(test_image[np.newaxis,...,np.newaxis]))