TensorFlow学习之一:实现kaggle赛题Digit Recognizer

本文介绍了使用TensorFlow从零开始学习解决Kaggle上的MNIST手写数字识别问题。通过训练和保存模型,最终实现90%的识别准确率,并展示了加载模型进行预测的流程。
摘要由CSDN通过智能技术生成

      最近学习TensorFlow的时候,正好利用kaggle上的Minist数据集来入手。经历一段时间的折磨后,终于成功弄出了一个结果,至于优化类的后面再讲,今天就介绍下tensorflow入门minist。

一开始我是看着官网学习的,但是鉴于官网知识很有限,最后我都理解为我自己的东西了。

学习的部分我前半部分为训练模型加保存模型,后半部分为加载模型并预测。这里我们讲解也分为2部分来讲解。

先讲上部分,数据集来源于kaggle上的Minist项目

首先我们加载数据和观察数据,通过简单的观察,数据本身是没有缺失值的,

附上完整代码:

# !/usr/bin/env python3

import tensorflow as tf
import pandas as pd
import numpy as np

def read_data(filename):#读取数据
    data=pd.read_csv(filename)
    return data

def handle_data(data):
    y_data=data['label'].values.ravel() #获取标签数据
    data.drop(labels='label',axis=1,inplace=True) #Image 数据
    return data,y_data
def train_val_split(x_data,y_data):
    large=
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值