训练首个神经网络：基本分类

在Fashion MNIST数据集上使用tf.keras完成对服饰图像分类的神经网络模型。

1，导入数据集

数据大小：70000张 灰度图像， 10个类别 28*28的像素

==> 60000张图像 用于训练， 10000张 用来评估

2，探索数据

3，预处理数据

灰度值 0-255 缩小到 0-1

4，构建模型

1）配置层

扁平化像素： 28*28 ==> 1* 784 转换成1维数组 

第一个Dense层具有 128个节点  即 784*128

第二个Dense层具有 10个节点 即 128 * 10

softmax层 ==> 返回具有10个概率得分的数组

2）编译模型

* 损失函数，衡量模型在训练期间的准确率

* 优化器，根据模型看到的数据及其损失函数更新模型的方式

* 指标，用于监控训练和测试步骤

5，训练模型

1） 将训练数据递送到模型中 model.fit()

2）模型学习将图像和标签相关联

在模型训练期间，系统会显示损失和准确率指标。该模型在训练数据上的准确率达到 0.88（即 88%）

3）使用模型对测试集进行预测

6，评估准确率

测试集上的准确率为0.87 < 0.88

结果表明，模型在测试数据集上的准确率略低于在训练数据集上的准确率。

==> 过拟合

7，做出预测

模型上线，对未标注的图像进行预测

代码见链接：

https://github.com/shuqingjinse/NLP_homework_2/blob/master/simple_tensorflow.py

 

转载于:https://www.cnblogs.com/JTay/p/10424076.html