使用TensorFlow构建和训练一个多层感知机模型，用于Fashion MNIST数据集的分类任务

1.环境配置，将下载好压缩包（资源里有）的进行解压
2.复制文件夹至C:\Users\当前用户\.keras\datasets目录下

3.找到并修改fashion_mnist.py中的文件路径

找到base，更改路径到之前保存的fashion_mnist文件夹路径，保存修改

4.编写代码运行

import os
# TF_CPP_MIN_LOG_LEVEL='2' 表示只显示错误信息和警告
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 导入TensorFlow的Fashion MNIST数据集
fashion_mnist = tf.keras.datasets.fashion_mnist
# 加载Fashion MNIST数据集，并将其分为训练集和测试集
# 这里取前10000张图片和对应的标签用于训练
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 调整训练数据的形状，使其从28x28像素的二维数组变为784个元素的一维数组
train_images = train_images[:10000].reshape(-1, 784)
# 将训练标签转换为one-hot编码，即10个类别的one-hot向量
train_labels = tf.one_hot(train_labels[:10000], 10).numpy()

# 构建一个顺序模型，这是一个简单的多层感知机
model = tf.keras.Sequential([
    # 第一层是Flatten层，将输入展平为一维数组
    tf.keras.layers.Flatten(),
    # 接下来是四个Dense层，即全连接层，每个层有不同数量的神经元
    tf.keras.layers.Dense(256, activation="relu"),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(64, activation="relu"),
    tf.keras.layers.Dense(32, activation="relu"),
    # 最后一个Dense层是输出层，有10个神经元对应10个类别，使用softmax激活函数
    tf.keras.layers.Dense(10, activation="softmax")
])
# 为模型指定输入数据的形状，None表示批次大小可以是任意值，28x28表示每个输入图像的尺寸
model.build(input_shape=[None, 28, 28])
# 编译模型，设置优化器、损失函数和评估指标
# 使用Adam优化器，这是一个常用的优化算法
model.compile(optimizer=tf.keras.optimizers.Adam(),
              # 使用CategoricalCrossentropy作为损失函数，适用于多分类问题
              loss=tf.keras.losses.CategoricalCrossentropy(),
              # 使用CategoricalAccuracy作为评估指标
              metrics=[tf.keras.metrics.CategoricalAccuracy()])

# 训练模型，传入训练数据和标签，设置训练的轮数（epoch）
history = model.fit(train_images, train_labels, epochs=5)

# 从训练历史中获取损失值，并使用Matplotlib绘制损失值随训练轮数变化的图表
LOSS = history.history["loss"]
plt.plot(LOSS)
plt.show()

# 预测测试集的结果，首先将测试图像展平为一维数组
test_images_flattened = test_images.reshape(-1, 784)
# 使用模型进行预测
predictions = model.predict(test_images_flattened)

# 将预测结果转换为最可能的类别索引，即选择概率最高的类别
predicted_labels = np.argmax(predictions, axis=1)

# 获取测试集的真实标签
true_labels = test_labels

# 打印前10个预测结果的类别索引和真实标签，用于检查模型的预测效果
print("预测的类别索引:", predicted_labels[:10])
print("真实的类别索引:", true_labels[:10])

# 计算正确率，即预测正确的样本数占总样本数的比例
accuracy = np.mean(predicted_labels == true_labels)
# 打印正确率，保留四位小数
print(f"正确率为: {accuracy:.4f}")

最后运行结果