tensorflow简单小结

# 连续的值 直接输出结果
# 二分类 输出层 做一个sigmoid运算
# 多分类　输出做一个 softmax 得到概率分布

# 学习速率（超参数） learning rate（lr）： 对梯度进行缩放的参数被称为学习速率

# 常见的优化函数
# 优化器 optimizer 是编译模型所需的俩个参数之一
# model.complie() 来调用
# SGD：随机梯度下降优化器
# RMSprop：较好的优化器，处理文本分类，序列预测比较好
#todo     Adam :最常用的优化器  学习率建议在0.001

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
(train_image, train_lable), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
train_image = train_image / 255
test_image = test_image / 255

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))  # 变成 28*28的向量
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01)
              , loss='sparse_categorical_crossentropy'
              , metrics=['acc'])
model.fit(train_image,train_lable,epochs=5)