利用Tensorflow2.0、softmax实现手写字体识别

参考链接
项目采用Jupyter notebook编写

import tensorflow as tf
from tensorflow.keras.datasets import mnist
import numpy as np
from sklearn.preprocessing import StandardScaler

print(tf.__version__)
2.0.0
##加载数据     60000条训练集   10000条测试集  
(x_train_all, y_train_all), (x_test, y_test) = mnist.load_data()  #此处会去官网加载数据,可能比较慢
print(type(x_train_all))
<class 'numpy.ndarray'>
#print((x_train.shape),(x_test.shape))   #(60000, 28, 28) (10000, 28, 28)
#数据归一化
scaler = StandardScaler()
scaled_x_train_all = scaler.fit_transform(x_train_all.astype(np.float32).reshape(-1,1)).reshape(-1,28,28)
scaled_x_test = scaler.transform(x_test.astype(np.float32).reshape
  • 4
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlow 2.是一个流行的深度学习框架,可以用于许多不同的任务,包括数字识别数字识别是一个经典的机器学习问题,它涉及将数字图像分类为数字到9中的一个。 在TensorFlow 2.中,可以使用Keras API来构建和训练模型。以下是一个简单的数字识别模型的示例代码: ```python import tensorflow as tf from tensorflow import keras # 加载MNIST数据集 mnist = keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() # 将图像数据归一化到到1之间 train_images = train_images / 255. test_images = test_images / 255. # 定义模型 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_images, train_labels, epochs=5) # 评估模型 test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ``` 在这个例子中,我们首先加载MNIST数据集,然后将图像数据归一化到到1之间。接下来,我们定义一个简单的神经网络模型,该模型包括一个输入层、一个隐藏层和一个输出层。我们使用ReLU激活函数和softmax激活函数来激活隐藏层和输出层。最后,我们编译模型并训练它,使用Adam优化器和稀疏分类交叉熵损失函数。在训练完成后,我们评估模型的性能,输出测试准确率。 这只是一个简单的例子,你可以根据需要调整模型的结构和超参数来获得更好的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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