手写数字图像数据集

最新推荐文章于 2023-11-01 21:10:52 发布

SF-3396815

最新推荐文章于 2023-11-01 21:10:52 发布

阅读量120

点赞数

文章标签： tensorflow 深度学习人工智能 Powered by 金山文档

本文链接：https://blog.csdn.net/weixin_57280374/article/details/129171751

版权

该示例展示了如何利用TensorFlow和Keras处理MNIST数据集，建立一个包含两个Dense层的神经网络模型，应用Dropout防止过拟合，并用Adam优化器进行训练。模型在训练后对测试集进行了评估。

摘要由CSDN通过智能技术生成

在此示例中，我们加载了MNIST数据集，该数据集包含手写数字图像及其相应的标签。我们定义了一个包含两个密集层的模型，其中第一个密集层有512个神经元，激活函数为ReLU，并且我们使用了dropout来防止过度拟合。最后一层密集层具有10个神经元，输出数字的概率分布。我们使用Adam优化器和稀疏分类交叉熵作为损失函数来编译模型，并在训练过程中记录了精度指标。我们使用fit方法来训练模型，并使用evaluate方法来评估模型的性能。

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

# 加载数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 28 * 28).astype("float32") / 255.0
x_test = x_test.reshape(-1, 28 * 28).astype("float32") / 255.0

# 定义模型
model = keras.Sequential(
    [
        layers.Dense(512, activation="relu"),
        layers.Dropout(0.3),
        layers.Dense(10),
    ]
)

# 编译模型
model.compile(
    optimizer=keras.optimizers.Adam(0.001),
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=["accuracy"],
)

# 训练模型
model.fit(x_train, y_train, batch_size=32, epochs=5, verbose=2)

# 评估模型
model.evaluate(x_test, y_test, batch_size=32, verbose=2)