使用TensorFlow搭建模型之softmax模型详细解读(案例实战)

最新推荐文章于 2024-07-29 00:33:49 发布
最新推荐文章于 2024-07-29 00:33:49 发布
阅读量1k 收藏 4
点赞数
分类专栏： TensorFlow 2.0应用与实战
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40922285/article/details/102495134
版权
这篇博客详细解读了softmax模型，从mnist数据集介绍开始，解释了数据集的特点和one-hot编码。接着，深入讲解了softmax模型的原理，如何将特征转化为概率，并通过TensorFlow构建模型。最后展示了模型在测试集上达到92%的准确率，但表示会进一步优化提升。
摘要由CSDN通过智能技术生成

一、mnist数据集说明

1.mnist数据集包含了各种手写数字图片，像素大小为28*28，灰色图像(图像形状为(28,28,1))，且有对应的标签，标注出这是数字几。图片像素数值介于0到1之间。如图对应的标签为5,0,4,1。

2.mnist数据集有55000张训练图像，10000张测试图像和5000张验证图像。784是由28*28平铺张开得到。

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('mnistdata/',one_hot = True)
print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)

3.标签值已采用one-hot编码，即one-hot向量上，除了该数字对应的位置为1，其余维度上数值都为0，比如数字5用one-hot向量表示为[0,0

最低0.47元/天 解锁文章
AI算法联盟
关注
专栏目录
AI 大模型部署到嵌入式原理与代码实战案例讲解
程序员光剑
06-01 1363
随着人工智能技术的快速发展，将AI模型部署到嵌入式设备上已成为一个热门的研究领域。这种部署方式不仅能够实现设备的智能化，还能够减少对云端服务的依赖，提高数据隐私性和系统响应速度。然而，由于嵌入式设备通常具有有限的计算资源、存储空间和能源供应，将复杂的AI模型部署到这些设备上面临着诸多挑战。本文将深入探讨AI模型部署到嵌入式系统的原理，并通过实际的代码案例来展示这一过程。权重剪枝：基于权重的重要性评估，移除不重要的连接或神经元。知识蒸馏：利用大模型（教师模型）的输出来训练小模型（学生模型）。
TensorFlow 原理与代码实战案例讲解
程序员光剑
07-22 996
TensorFlow 原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 随着大数据和人工智能技
Tensorflow实现Softmax回归
空字符
07-20 506
1 前言 在 上一篇文章 中笔者介绍了如何通过Tensorflow来实现线性回归。在接下来的这篇文章中，笔者将会以Fashion MNIST数据集为例来介绍如何用Tensorflow实现一个Softmax多分类模型。在这篇文章中，我们会开始慢慢接触到Tensoflow中用于实现分类模型的API，例如tf.nn.softmax()，softmax_cross_entropy_with_logits_v2等。 2 数据处理 2.1 导入相关包 import tensorflow as tf import num
线性Softmax分类器实战
dfql83704的博客
06-11 464
1 概述 基础的理论知识参考线性SVM与Softmax分类器。 代码实现环境：python3 2 数据预处理 2.1 加载数据 将原始数据集放入“data/cifar10/”文件夹下。 ### 加载cifar10数据集 import os import pickle import random import numpy as np import matplotlib.pyplot as ...
18 回归算法 - Softmax回归 - 信贷审批案例
weixin_34372728的博客
10-25 103
前两章介绍了logistic回归，logistic模型能够解决二分类的问题。虽然logistic本身只能解决二分类的问题，但是增加一些操作，也能从算法层面实现多分类的问题。 本章开始介绍另一种回归模型：softmax回归 softmax回归: 是logistic回归的一般化，适用于K分类的问题，第k类的参数与向量θk，组成的二维矩阵为 θk*n； 先想...
TensorFlow - Softmax
flyfish
09-19 1103
TensorFlow - Softmax flyfish 公式 sigma(z)j=ezj∑Kk=1ezksigma(z)j=ezj∑k=1Kezksigma (\mathbf {z} )_{j}={\frac {e^{z_{j}}}{\sum _{k=1}^{K}e^{z_{k}}}} 解释 K表示K维向量 类似一个向量里面有K个实数值，通过Softmax函数输出另一个向量，另一个向量...
tensorflow之softmax
12-22 656
softmax 就是把值做个映射，映射到0-1之间，并且映射之后，和为1. 举个例子： tt = tf.constant([1.0,2.0]) y = tf.nn.softmax(tt) with tf.Session() as sess: print(sess.run(y)) 输出  注意看1 argmax：返回最大数的索引 labels1=[[0, 0, 1], ...
TensorFlow上实现Softmax回归模型
marsjhao Blog
03-19 2482
一、概述及完整代码 对MNIST(MixedNational Institute of Standard and Technology database)这个非常简单的机器视觉数据集,Tensorflow为我们进行了方便的封装,可以直接加载MNIST数据成我们期望的格式.本程序使用Softmax Regression训练手写数字识别的分类模型. 先看完整代码: import tensor
使用TensorFlow搭建模型之神经网络详细解读(案例实战)
AI算法联盟
10-11 623
上篇的模型中只是简单使用softmax和交叉熵，模型准确率达91%。这里再进一步提升模型准确率，模型改用神经网络。 人工神经网络以其具有学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。在实际应用中，80%~90%的人工神经网络模型是采用误差反传播算法或其变化形式的网络模型（简称BP网络），目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。 一、神经网...
鸢尾花 softmax tensorflow 实例
11-23
鸢尾花经典案例，采用 softmax 分类，使用tensorflow实现
多模态大模型：技术原理与实战 大模型在软件研发领域的实战案例与前沿探索
最新发布
程序员光剑
07-29 310
多模态大模型：技术原理与实战 大模型在软件研发领域的实战案例与前沿探索 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词： 多模态大模型、技术原理、软件研发、实战案例、前
tensorflow实现softmax回归函数
qq_43656233的博客
04-24 640
Softmax公式 softmax函数可以把多个值归一化到（0，1）区间中，以实现分类等问题 代码实现 import tensorflow as tf def softmax(logits, axis=-1): return tf.exp(logits)/tf.reduce_sum(tf.exp(logits), axis, keepdims=True) 测试 X = tf.rand...
tensorflow MNIST softmax 实战
我见青山多妩媚，料青山见我应如是
11-08 296
MNIST机器学习入门 MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片： MNIST 数据下载 文件 内容 train-images-idx3-ubyte.gz 训练集图片 - 55000 张 训练图片, 5000 张 验证图片 train-labels-idx1-ubyte.gz 训练集图片对应的数字标签 t10k-images-idx3-ubyte....
tensorflow-softmax
weixin_30432179的博客
03-02 113
之前在softmax多分类中讲到多用交叉熵作为损失函数，这里顺便写个例子，tensorlflow练手。 # encoding:utf-8 import tensorflow as tf import input_data ### softmax 回归 # 自动下载安装数据集 mnist = input_data.read_data_sets("MNIST_data...
TensorFlow Softmax
ncst
07-03 723
TensorFlow Softmax The softmax 函数可以把它的输入，通常被称为 logits 或者 logit scores，处理成 0 到 1 之间，并且能够把输出归一化到和为 1。这意味着 softmax 函数与分类的概率分布等价。它是一个网络预测多酚类问题的最佳输出激活函数。 softmax
TensorFlow softmax的使用
小鹏AI
06-15 413
将十个数字转换为十个概率，并且十个概率的和是为1的 tf.softmax(x,10) # 十个概率，十个概率的和为1 如何将获取的概率与标签进行相关联？ 可以使用的方法： 交叉熵 点积 平方差 以交叉熵为例： 概率 标签 0.5 0 0.3 1 0.2 0 交叉熵的做法是：将概率取对数，得到的结果lll为负数 将lll与标签进行相乘，来获取需要的预期值 当概率为1的时候为0，也就要求的最小值了 缺点就是：当需要的概率为1时候，其他的概率为0，这样会导致其他的概率无解
第二课 Tensorflow实现softmax
cjopengler的专栏
08-18 1117
使用tensorflow自带的手写数据集来完成按照像素的分类。使用softmax进行多分类.import numpy as np import tensorflow as tf from tensorflow.examples.tutorials import mnist from IPython.display import display, HTML import matplotlib.pypl
tensorflow 的 softmax
qq_29007291的博客
07-19 662
对于tensorflow中的一些softmax的一些总结 softmax的简单说明： [x1,x2,x3]⟶softmax⟶[ex1,ex2,ex3]ex1+ex2+ex3[x1,x2,x3]⟶softmax⟶[ex1,ex2,ex3]ex1+ex2+ex3\left[ x_1,x_2,x_3\right] {\longrightarrow} {softmax} {\longrightarro...
tensorflow搭建模型
05-11
TensorFlow 是一个广泛使用的深度学习框架，它提供了丰富的工具和功能，可以帮助开发者轻松地搭建模型。下面是一个简单的 TensorFlow 模型搭建示例： 1. 准备数据：首先需要准备数据集，包括训练数据和测试数据。可以使用 TensorFlow 提供的数据集 API 或者自己准备数据。 2. 定义模型：使用 TensorFlow 的 API 定义模型，可以选择使用现成的模型或者自己设计模型。 3. 配置训练参数：设置训练参数，包括学习率、优化器、损失函数等。 4. 训练模型：使用 TensorFlow 提供的 API 训练模型，可以选择使用 CPU 或 GPU 进行训练。 5. 评估模型：使用测试数据集对模型进行评估，计算模型的准确率、损失值等指标。 6. 使用模型：使用训练好的模型对新数据进行预测。 下面是一个简单的 TensorFlow 模型搭建示例代码： ```python import tensorflow as tf # 准备数据 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 数据预处理 x_train = x_train.reshape(60000, 784).astype('float32') / 255.0 x_test = x_test.reshape(10000, 784).astype('float32') / 255.0 y_train = tf.keras.utils.to_categorical(y_train, 10) y_test = tf.keras.utils.to_categorical(y_test, 10) # 定义模型 model = tf.keras.models.Sequential([ tf.keras.layers.Dense(512, activation='relu', input_shape=(784,)), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) # 配置训练参数 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(x_train, y_train, epochs=5) # 评估模型 model.evaluate(x_test, y_test) # 使用模型 predictions = model.predict(x_test[:5]) print(predictions) ``` 上面的代码是一个简单的手写数字识别模型，使用了 TensorFlow 的 Sequential API 搭建了一个包含两个全连接层的神经网络。首先加载了 MNIST 数据集，然后进行了数据预处理，将像素值归一化到 0 到 1 之间，并将标签进行 one-hot 编码。然后定义了模型结构，使用了 ReLU 激活函数和 Dropout 正则化层。接下来使用了 Adam 优化器和交叉熵损失函数进行训练，训练 5 个 epoch。最后使用测试数据进行评估，并对前 5 个测试样本进行了预测。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值