TensorFlow 的高层封装API ——————Keras 基本用法

最新推荐文章于 2023-12-18 16:33:30 发布

原创

最新推荐文章于 2023-12-18 16:33:30 发布 · 1.6k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#Keras #Tensorflow #MNIST #LeNet-5 Model

本文深入探讨了Keras作为TensorFlow的高级API如何简化深度学习模型的构建过程。通过实例展示了如何使用Keras搭建并训练LeNet-5模型解决MNIST手写数字识别问题，揭示了Keras的易用性和灵活性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Keras API 和TFlearn API 用法基本相似，对于tensorflow 的模型定义，损失函数，训练过程等进行了封装。封装后的整个数据集训练过程包括，数据处理，模型定义和模型训练三个部分。

以代码展示了如何使用Keras 在MNIST dataset 上实现了LeNet-5 Model.

import keras
from  keras.datasets import mnist
from  keras.models import Sequential
from  keras.layers import Dense, Flatten, Conv2D, MaxPooling2D
from  keras import backend as k

num_classes = 10
img_rows, img_cols = 28, 28
(trainX, trainY), (testX, testY) = mnist.load_data()
if k.image_data_format() == 'channels_first':
    trainX = trainX.reshape(trainX.shape[0], 1, img_rows, img_cols)
    testX = testX.reshape(testX.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    trainX = trainX.reshape(trainX.shape[0], img_rows, img_cols, 1)
    testX = testX.reshape(testX.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols,1)

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