Python深度学习入门之mnist-VGG（Tensorflow2.0实现）

最新推荐文章于 2024-07-22 22:04:34 发布

CV干饭王

最新推荐文章于 2024-07-22 22:04:34 发布

阅读量1.2k

点赞数 4

分类专栏：学习路线网络搭建文章标签： tensorflow 深度学习神经网络

本文链接：https://blog.csdn.net/weixin_44414948/article/details/109704219

版权

该博客介绍了如何利用Tensorflow2.0构建VGG网络来处理MNIST手写数字识别任务。首先加载和预处理MNIST数据集，接着搭建VGG网络模型，包括多个卷积层、池化层、批量归一化和Dropout层。通过Adam优化器进行训练，并绘制训练、验证和测试集的损失及准确率曲线。最后，模型在测试集上进行评估并保存权重文件。

摘要由CSDN通过智能技术生成

mnist手写数字数据集深度学习最常用的数据集，本文以mnist数据集为例，利用Tensorflow2.0框架搭建VGG网络，实现mnist数据集识别任务，并画出各个曲线。

Demo完整代码如下：

import tensorflow as tf
from tensorflow.keras import layers
import numpy as np

#加载mnist数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
#预处理
x_train, x_test = x_train.astype(np.float32)/255., x_test.astype(np.float32)/255.
x_train, x_test = np.expand_dims(x_train, axis=3), np.expand_dims(x_test, axis=3)
# 创建训练集50000、验证集10000以及测试集10000
x_val = x_train[-10000:]
y_val = y_train[-10000:]
x_train = x_train[:-10000]
y_train = y_train[:-10000]
#标签转为one-hot格式
y_train = tf.one_hot(y_train, depth=10).numpy()
y_val = tf.one_hot(y_val, depth=10).numpy()
y_test = tf.one_hot(y_test, depth=10).numpy()

# tf.data.Dataset 批处理
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(100).repeat()

val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val)).batch(100).repeat()

test_dataset = tf.data.Dataset.from_tensor_slices((x_test<