Tensorflow 实战 Google 深度学习框架（第2版）---- 10.2.2节 P272 代码

wzg2016

关注

原创最新推荐文章于 2026-09-17 17:24:30 发布 651 阅读 AI 写同款· GEO 优化 ›

基于TensorFlow的电影语义近邻推荐系统实战电影推荐本质上是语义相似性计算问题，其核心在于将非结构化元数据（导演、剧情、类型）与用户行为统一建模为可度量的向量空间。近邻检索（Nearest Neighbours）在此并非传统KNN分类的简单复用，而是依托Embedding联合训练与L2归一化构建的几何可解释空间，解决高维稀疏下的距离失真与新片冷启动难题。TensorFlow在此承担数据流水线调度、可微分特征融合与在线服务编排三重角色，远超单一训练框架定位。该技术路径兼顾实时性（毫秒级召回）、可解释性（‘因XX相似而推荐’）与工程可控性，广泛适用于中小阅读详情

#-*-coding:utf-8-*-
import keras
from keras.datasets import mnist
from keras.layers import Input,Dense
from keras.models import Model
from keras import backend as K


num_classes = 10
img_rows, img_cols = 28, 28

# 通过Keras封装好的API加载MNIST数据。其中trainX就是一个60000 * 28 * 28的数组，
# trainY是每一张图片对应的数字。
(trainX, trainY), (testX, testY) = mnist.load_data()
trainX = trainX.reshape(-1,784)
testX = testX.reshape(-1,784)

trainX = trainX.astype('float32')
testX = testX.astype('float32')
trainX /= 255.0
testX /= 255.0

# 将标准答案转化为需要的格式（one-hot编码）。
trainY = keras.utils.to_categorical(trainY, num_classes)
testY = keras.utils.to_categorical(testY, num_classes)


inputs = Input(shape=(784,))

x = Dense(500,activation='relu')(inputs)
predictions = Dense(10,activation = 'softmax')(x)

model = Model(inputs=inputs,outputs=predictions)
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer = keras.optimizers.SGD(),
              metrics=['accuracy'])
model.fit(trainX,trainY,
          batch_size=128,
          epochs=20,
          validation_data = (testX,testY))

收录于