tensorflow笔记【4】深度学习-训练mnist数据集

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()

总结