【TensorFlow】T1：实现mnist手写数字识别

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

1、设置GPU

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]
    tf.config.experimental.set_memory_growth(gpu0, True)
    tf.config.set_visible_devices([gpu0],"GPU")
    
print(gpus)
# 输出：[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

固定模板，直接调用即可

2、导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 导入mnist数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
# train_images -- 训练集图片
# train_labels -- 训练集标签
# test_images  -- 测试集图片
# test_labels  -- 测试机标签

此处所需数据直接联网下载，故无需数据集

3、归一化

将图像数据从0-255缩放到0-1，主要是为了加快训练速度和提高模型的性能，使得模型训练过程更加稳定高效：

1. 加速收敛：帮助优化算法更快找到最优解。
2. 提升性能：确保不同规模的数据对模型的影响均衡，提高预测准确性。
3. 简化调参：使超参数的选择更加简单有效。
4. 数值稳定：避免因数据尺度问题导致的计算异常，如梯度爆炸。

train_images, test_images = train_images / 255.0, test_images / 255.0
print(train_images.shape, train_labels.shape,test_images.shape, test_labels.shape)
# 输出：(60000, 28, 28) (60000,) (10000, 28, 28) (10000,)

4、可视化

# figure函数--设置画布大小
# figsize--指定了画布的宽度（20英寸）和高度（10英寸）
plt.figure(figsize=(20, 10))

# 遍历前20张图片
for i in range(20):
    # subplot函数--创建子图
    # 2--2行，10--10列，i+1--第i+1个位置
    plt.subplot(2, 10, i+1)

    # xticks函数--隐藏x轴
    plt.xticks([])

    # yticks函数--隐藏y轴
    plt.yticks([])

    # grid函数--关闭网格线
    plt