from MY import wrapper1
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
# 获取数据集,以便用作训练和验证
fashion_mnist = keras.datasets.fashion_mnist
# 从数据集里面获取训练数据和验证数据
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 规划神经网络
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
# 为神经网络添加配套的 优化器 , 损失函数 和 指标
model.compile(optimizer='adam',
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 开始训练
model.fit(train_images, train_labels, epochs=10)
# 评估训练结果
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
# ============ 以上是生成模型的步骤,模型的训练和生成 同时需要 训练集 和 验证集,训练集用来形成模型,验证集用来矫正模型精准度。
# ============ 下面开始使用模型
# 基于之前生成的model , 再在后面添加一个 softmax 层,这个层是一个数据展示层,不会对整个模型产生任何影响,只是为了方便展示结果
probability_model = keras.Sequential([model,keras.layers.Softmax()])
# 使用模型开始预测某个图像(这里用test_images来作为入参)
predictions = probability_model.predict(test_images)
# 输出预测结果
print(predictions[0])
[ML][Tensorflow] 训练模型的基本步骤
最新推荐文章于 2023-03-04 09:19:53 发布