Sequential实现mnist手写数字识别以及fashion数据集识别

原创

已于 2022-02-21 15:25:41 修改 · 1.5k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习

于 2022-02-21 13:05:22 首次发布

本文介绍了如何使用TensorFlow构建和训练Sequential模型进行图像识别，分别展示了MNIST手写数字识别和Fashion-MNIST时尚物品识别的完整流程，包括模型构建、训练、评估和预测。程序中使用了ReLU激活函数和softmax输出层，通过Adam优化器进行参数更新，并使用sparse_categorical_crossentropy作为损失函数。

Sequential模型

请添加图片描述

配置训练方法

model.compile(loss, optimizr, metrics)

loss损失函数
optimizer优化器
metrics性能评估函数

训练模型

model.fit(训练集的输入特征,训练集的标签，
          batch_size=批量大小，
          epochs=迭代次数，
          shuffle=是否每轮训练之前打乱数据，
          validation_data=(测试集的输入特征，测试集的标签),
          validation_split=从训练集划分多少比例给测试集，
          validation_freq =测试频率
          verbose=日志显示形式
          )

评估模型

model.evaluate(test_set_x, test_set_y, batch_size, verbose)

model.evaluate(test_set_x=测试数据属性,
               test_set_y=测试数据标签, 
               batch_size=批量大小,
               verbose=输出信息的方式
               )

使用模型

model.predict(x, batch_size, verbose)

model.predict(x=数据属性值,
              batch_size=批量大小,
              verbose=输出信息方式
              )

mnist识别

神经网络结构

请添加图片描述

程序

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

gpus = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(gpus[0], True)
mnist = tf.keras