提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
前言
完整的六步法搭建神经网络进行训练。
一、mnist数据集是什么?
MNIST数据集一共由7万张图片,是2828像素的0-9手写数字数据集。其中6万张用于训练,1万张用于测试。每张图片包括784(2828)个像素点,使用全连接网络时可将784个像素组成长度为784的一维数组,作为输入特征喂入神经网络。
二、搭建网络训练
1.Sequential
代码如下:
# 1.导入相关模块--import
import tensorflow as tf
# from keras import datasets
# 2.指定训练集和测试集的输入特征和标签--(x_train,y_train),(x_test,y_test)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train/255, x_test/255 # 输入特征的灰度值归一化到[0,1]区间
# 3.搭建神经网络结构模型---Sequential(拉直层,全连接层,全连接层)
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 4.为网络模型配置训练方法---compile(优化器,损失函数,评测指标)
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 5.传入训练集和测试集--训练网络模型--
# fit(x_train,y_train,batch_size=.epochs=,val_data/spilt=,val_freq=)
model.fit(x_train, y_train,batch_size=32, epochs=10,
validation_data=(x_test, y_test),
validation_freq=2)
# 6.打印网络模型结构和参数
model.summary()
2.class
代码如下:
# 1.导入相关模块--import
import tensorflow as tf
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras import Model
# from keras import datasets
# 2.指定训练集和测试集的输入特征和标签--(x_train,y_train),(x_test,y_test)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0 # 输入特征的灰度值归一化到[0,1]区间
# 3.搭建神经网络结构模型---classl(拉直层,全连接层,全连接层)
class MnistModel(Model):
def __init__(self):
super(MnistModel, self).__init__()
self.flatten = Flatten()
self.d1 = Dense(128, activation='relu')
self.d2 = Dense(10, activation='softmax')
def call(self, x):
x = self.flatten(x)
x = self.d1(x)
y = self.d2(x)
return y
model = MnistModel()
# 4.为网络模型配置训练方法---compile(优化器,损失函数,评测指标)
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 5.传入训练集和测试集--训练网络模型--
# fit(x_train,y_train,batch_size=.epochs=,val_data/spilt=,val_freq=)
model.fit(x_train, y_train, batch_size=32, epochs=100,
validation_data=(x_test,y_test),
validation_freq=1)
# 6.打印网络模型结构和参数
model.summary()