tf.keras搭建分类模型--识别fashion_mnist 模型 (有归一化处理)

最新推荐文章于 2023-05-06 17:54:04 发布

jacka03

最新推荐文章于 2023-05-06 17:54:04 发布

阅读量884

点赞数

分类专栏： tensorflow-keras

本文链接：https://blog.csdn.net/weixin_43644231/article/details/104817006

版权

这篇博客介绍了如何利用tf.keras建立一个简单的神经网络分类模型，针对fashion_mnist数据集进行分类。文章强调了数据预处理中的归一化处理，通过代码展示了使用tf.keras实现数据归一化的方法，并比较了归一化处理前后模型的性能差异，指出归一化处理可以改善模型的准确率和损失函数下降的平滑度。

摘要由CSDN通过智能技术生成

tf.keras搭建分类模型–识别fashion_mnist 代码实现了最最最简单的神经网络分类模型。对于最最最常见的fashion_mnist分类任务也有80%+的准确率。但是现实问题往往都要比这个复杂的多的多的多。这里再原来的基础上对数据进行了归一化处理。
这里实现归一化是使用了sklearn里的StandardScaler

归一化主要源码

# 对数据进行归一化处理（标准化？） x = (x - u) / std

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
# fit_transform 同时有fit功能，
# 在训练集上做scaler会得到它的均值和方差，fit把他记录下来因为验证集和测试集也要用到训练集得到的均值和方差
x_train_scaled = scaler.fit_transform(
    x_train.astype(np.float32).reshape(-1, 1)).reshape(
        -1, 28, 28)  # 原来的数据是三维的，这里要转化成二维处理然后再转化成三维的

# 验证集、测试集直接利用上面得到的均值和方差做transform，不用fit
x_valid_scaled = scaler.transform(x_valid.astype(np.float32).reshape(
    -1, 1)).reshape(-1, 28, 28)

x_test_scaled = scaler.transform(x_test.astype(np.float32).reshape(
    -1