tensorflow 神经网络与全连接层（数据集加载，全连接层，输出方式激活函数，计算误差）

目录

1.  小型常用数据集 数据加载 keras

1.1加载 MINST案例

1.2 CIFAR10/100

1.3 tf.data.Dataset.from_tensor_slices()

完成数据集迭代   

 shuffle   完成打散

 .map 批量预处理

 .batch  一次读取多张照片

.repeat(2)指定迭代次数

1.4 代码案例

 2.实战 测试

3.全连接层

4.输出方式

sigmoid 把输出压缩成[0,1]

softmax可以用于分类结果 总概率和是1

tanh [-1,1]

5.损失函数

5.1 MSE 均方差

5.1.1损失函数loss，2范数L2-norm

 5.1.2 求MSE三种方法

 5.2 交叉熵

 实例：

 计算交叉熵

 分类问题数值不稳定解决方案

---

1.  小型常用数据集 数据加载 keras

1.1加载 MINST案例

(x,y), (x_test,y_test)=keras.datasets.mnist.load_data()
# 下载 管理 解析 读取 转换 数据 最终拿到 numpy 格式
#假设 60k 张图片作为训练集 x.shape(60000,28,28) y.shape(60000,)
#此时y存的不是one-hot编码  而是0-9标签
# x.min(), x.max(), x.mean()  （0,255,33.3184）

# x_test.shape ,y_test.shape   (10000,28,28)  (10000,)
y_onehot=tf.onehot(y,depth=10)  #使用one-hot编码，一共10类

1.2 CIFAR10/100

10代表10类，100就是进一步细分 相当于100类

1.3 tf.data.Dataset.from_tensor_slices()

完成数据集迭代   

 shuffle   完成打散

 .map 批量预处理

 .batch  一次读取多张照片

 stopiteration

.repeat(2)指定迭代次数

.repeat()   不会停止迭代  不会触发异常

1.4 代码案例

 2.实战 测试

import tensorflow as tf
from tensorflow import keras
from keras import datasets
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

(x, y), (x_test, y_test) = datasets.mnist.load_data()
# x:[