tensorflow.keras 教程__model.evaluate 和 model.predict 的区别

最新推荐文章于 2024-04-22 21:23:15 发布

甜辣uu

最新推荐文章于 2024-04-22 21:23:15 发布

阅读量4.3k

点赞数

分类专栏： python从入门到精通 tensorflow

本文链接：https://blog.csdn.net/qq_38735017/article/details/117067931

版权

python从入门到精通同时被 2 个专栏收录

166 篇文章 154 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

tensorflow

12 篇文章 0 订阅

订阅专栏

本文是关于TensorFlow Keras中model.evaluate和model.predict的教程。首先介绍如何加载数据和构建LSTM网络，接着详细说明模型训练过程，并通过画图展示训练结果。同时，讨论了数据编码的转换，包括从顺序编码到one-hot编码的转换。最后，提供了一个完整的LSTM二分类实战案例。

摘要由CSDN通过智能技术生成

model.compile(loss='binary_crossentropy', optimizer=optimizer ) 分类损失函数 和优化器 
model.compile(loss='mean_squared_error', optimizer='adam')  # 回归损失函数和优化器 

keras.layers.Dense(1,activation='relu')# 1个全链接 这个是回归 ，分类必须使用activation="softmax"

 metrics=["acc"] 计算准确率 
softmax 的交叉熵损失函数 如果数据的分类标签是 数字 0 1 0 2 2 0 这种 就用sparse_categorical_crossentropy
如果样本标签是one-hot编码，则用 categorical_crossentropy函数  one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]

加载数据

(train_image,train_labei),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()


train_image.shape # 是一个三维度的数据 （60000，28，28）
print(train_image[1])cal_crossent