目录
2 命令行输入:tensorboard --logdir="logs",WEb查看。
1 代码
import tensorflow as tf
import numpy as np
import os
def load_mnist(path):
"""加载本地下载好的mnist数据集"""
f = np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
f.close()
return (x_train, y_train), (x_test, y_test)
(x_train, y_train), (x_test, y_test) = load_mnist("mnist.npz")
x_train, x_test = x_train / 255.0, x_test / 255.0 # 将样本从整数转换为浮点数
# 利用tf.keras.Sequential容器封装网络层,前一层网络的输出默认作为下一层的输入
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'), # 创建一层网络,设置输出节点数为128,激活函数类型为Relu
tf.keras.layers.Dropout(0.2), # 在训练中每次更新时, 将输入单元的按比率随机设置为 0, 这有助于防止过拟合
tf.keras.layers.Dense(10, activation='softmax')]) # Dense层就是所谓的全连接神经网络层
model.summary()
# 为训练选择优化器和损失函数:
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
log_dir = os.path.join("logs")
# print(log_dir)
if not os.path.exists(log_dir):
os.mkdir(log_dir)
# 定义TensorBoard对象.histogram_freq 如果设置为0,则不会计算直方图。
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)
# TensorBoard对象作为回调传给model.fit方法
model.fit(x_train, y_train, epochs=8, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
model.save_weights('weight/my_weights', save_format='tf') # 保存模型
2 命令行输入:tensorboard --logdir="logs",WEb查看。
3 查看结果
4 注意
log_dir = os.path.join("logs")
os为windows,则使用上述写法。如果写成log_dir=“logs”,则报错。
显示模型的结构:model.summary()