上次讲到了需要对输入数据进行归一化,那么现在来看看怎么进行归一化吧!
打印训练值中的最大值和最小值
print(np.max(x_train), np.min(x_train))
# 归一化方法 (x - 均值) / 方差 处理完数据符合均值是0方差是1的正态分布
# x = (x - u) / std
# 使用sklearn 里面的 StandardScaler
from sklearn.preprocessing import StandardScaler
# 初始化一个 StandardScaler对象
scaler = StandardScaler()
# x_train: [None, 28, 28] -> [None, 784]
# fit_transform 记录训练集归一化的均值和方差
x_train_scaled = scaler.fit_transform(
# 先变为二维数据 归一化完后 在转为三维数据
x_train.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)
# 验证集不用fir 直接transform
x_valid_scaled = scaler.transform(
x_valid.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)
x_test_scaled = scaler.transform(
x_test.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28)
归一化之后的最大值和最小值
print(np.max(x_train_scaled), np.min(x_train_scaled))
重新构建模型图
使用归一化后的数据进行训练
history = model.fit(x_train_scaled, y_train, epochs=10,
validation_data=(x_valid_scaled, y_valid))
准确率提高到了0.8894,比之前的效果好一些
在测试集上进行测试吧
model.evaluate(x_test_scaled, y_test)
感谢观看!