【深度学习】解决读入MINST数据集出现错误问题

一、问题

使用tensorflow加载数据集时出现报错:Exception: URL fetch failure on https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz: None -- [WinError 10054] 远程主机强迫关闭了一个现有的连接。

二、解决办法

1、打开tensorflow的安装路径中的mnist.py

E:\ANACINDA\envs\Tensorflow\Lib\site-packages\tensorflow_core\python\keras\datasets

 2、用编辑器打开mnist.py文件,更改以下部分

只需更改origin_folder那一行,路径在~/.keras/datasets下,其中mnist.npz文件需要自己下载(下载链接在文章结尾),将下载好的文件放到tensorflow的环境~/.keras/datasets下

修改origin_folder内容如下,注意斜杠/,更改时注意找到自己的路径

  origin_folder = '/Users/某某某/.keras/datasets'
  path = get_file(
      path,
      origin=origin_folder + 'mnist.npz',
      file_hash=
      '731c5ac602752760c8e48fbffcf8c3b850d9dc2a2aedcf2cc48468fc17b673d1')
  with np.load(path) as f:
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']

    return (x_train, y_train), (x_test, y_test)

3、minist.npz文件下载链接

链接: https://pan.baidu.com/s/1ZFN4Qqst14eG3KTpbUXcLg?pwd=hm62

提取码: hm62 

三、通过简单代码进行测试

import tensorflow as tf
from tensorflow import keras
#导入数据集加载模块
from tensorflow.keras import datasets 
#读入MNIST数据集
(x, y), (x_test, y_test) = datasets.mnist.load_data()
print('x:', x.shape, 'y:', y.shape, 'x_test:', x_test.shape, 'y_test:', y_test)

输出结果

  • 10
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
深度学习是一种人工智能技术,可以通过训练大规模数据来学习和识别模式。在深度学习中,前馈神经网络(Feedforward Neural Network)是最常用的模型之一,它由多个神经元层组成,每个神经元接收上一层的输出作为输入,并通过激活函数将输出传递给下一层。 MNIST是一个常用的手写数字识别数据集,其中包含了60000个用于训练的样本和10000个用于测试的样本。每个样本都是28x28像素的灰度图像,表示了0-9之间的手写数字。 在使用深度学习识别MNIST手写数据集时,我们可以使用PyTorch这样的深度学习框架进行实现。首先,我们需要导入相关的库和模块,并加载数据集。然后,我们可以定义一个前馈神经网络模型,该模型包含若干隐藏层和输出层。每个隐藏层可以使用不同的激活函数,如ReLU或Sigmoid,以增强模型的非线性能力。 接下来,我们可以定义损失函数和优化器,用于评估模型的性能并更新模型的参数。常用的损失函数有交叉熵损失函数,而常用的优化器有梯度下降法和Adam优化器。 接下来,我们可以进行模型的训练。训练过程中,我们使用训练集进行前向传播和反向传播,根据损失函数计算损失,并通过优化器调整模型参数。经过反复的迭代训练,模型可以逐渐提高准确率。 最后,我们可以使用测试集对训练好的模型进行评估。通过将测试集输入到模型中,并将输出与实际标签进行比较,我们可以计算出模型的准确率。如果在测试集上的准确率较高,那么我们可以认为这个模型在MNIST手写数据集上的识别效果较好。 总之,通过使用前馈神经网络模型和深度学习框架如PyTorch,我们可以对MNIST手写数据集进行准确的识别。这个过程包括数据加载、模型定义、损失函数与优化器的选择、模型的训练和模型的评估。通过不断地优化和调整模型,我们可以达到更高的识别准确率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
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

打赏作者

蓝柑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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