《python深度学习笔记》(1)

本文介绍了使用Python深度学习框架Keras实现的MNIST手写数字识别模型。通过构建一个包含两个全连接层的神经网络,对MNIST数据集进行训练和测试,实现了98%以上的准确率。文章详细展示了数据预处理、网络架构搭建、模型编译、训练及评估的全过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇是《python深度学习》中的代码,我会以后慢慢把注释、笔记添加上来

import keras
import tensorflow as tf
from keras.models import Sequential#顺序结构
from keras.layers import Dense#全连接层
from keras.optimizers import SGD
from keras.datasets import mnist
from keras.utils import np_utils

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
from keras.datasets import mnist##数据加载
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

from keras import models##网络架构
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512, activation = 'relu', input_shape = (28 * 28, )))
network.add(layers.Dense(10, activation = 'softmax'))

network.compile(optimizer = 'rmsprop',
                loss = 'categorical_crossentropy',
                metrics = ['accuracy'])##编译步骤

train_images = train_images.reshape((60000, 28 * 28))##准备图像数据
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

from keras.utils import to_categorical##准备标签
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

network.fit(train_images, train_labels, epochs = 5, batch_size = 128)##训练网络

test_loss, test_acc = network.evaluate(test_images, test_labels)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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