Tensorflow实战03-利用卷积识别手写字体

注：学习完深度学习的基本知识后，本练习可帮助大家逐步从理论转向实战，如果对深度学习还不太了解，前先学习深度学习的基本知识以及原理

在你的练习中，看看你是否可以只用一个卷积层和一个MaxPooling 2D将MNIST提高到99.8%或更高的精度。一旦精度超过这个数值，你就应该停止训练。它应该发生在不到20个时代，所以硬编码训练的时代数是可以的，但是一旦达到上述指标，你的训练就必须结束。如果没有，那么你需要重新设计你的图层。

当命中99.8%的命中率时，你应该打印出字符串“命中率达到99.8%，所以取消训练！”

在下方有空的地方填写代码并检验：

import tensorflow as tf

# YOUR CODE STARTS HERE

# YOUR CODE ENDS HERE

mnist = tf.keras.datasets.mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

# YOUR CODE STARTS HERE

# YOUR CODE ENDS HERE

model = tf.keras.models.Sequential([
    # YOUR CODE STARTS HERE

    # YOUR CODE ENDS HERE
])

# YOUR CODE STARTS HERE

# YOUR CODE ENDS HERE

参考答案：

import tensorflow as tf

class myCallback(tf.keras.callbacks.Callback):
  def on_epoch_end(self, epoch, logs={}):
    if(logs.get('acc')>0.998):
      print("\nReached 99.8% accuracy so cancelling training!")
      self.model.stop_training = True

callbacks = myCallback()
mnist = tf.keras.datasets.mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
training_images=training_images.reshape(60000, 28, 28, 1)
training_images=training_images / 255.0
test_images = test_images.reshape(10000, 28, 28, 1)
test_images=test_images/255.0
model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
  tf.keras.layers.MaxPooling2D(2, 2),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(training_images, training_labels, epochs=10, callbacks=[callbacks])