tensorflow——MNIST(NN模型）

最新推荐文章于 2025-06-15 16:57:56 发布
最新推荐文章于 2025-06-15 16:57:56 发布
阅读量1.5k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： tensorflow 文章标签： MNIST 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012198575/article/details/95947740
最低0.47元/天 解锁文章

200万优质内容无限畅学
tensorflow 之mnist
Frank的博客
06-01 411
MNIST MNIST是深度学习的经典入门demo，他是由6万张训练图片和1万张测试图片构成的，每张图片都是28*28大小（如下图），而且都是黑白色构成（这里的黑色是一个0-1的浮点数，黑色越深表示数值越靠近1），这些图片是采集的不同的人手写从0到9的数字。TensorFlow将这个数据集和相关操作封装到了库中，下面我们来一步步解读深度学习MNIST的过程。 上图就是4张MNIST图...
【深度学习入门实战】基于TensorFlow的手写数字识别实战（附完整可视化分析）
专注技术的博主
02-11 1195
本案例使用经典的MNIST手写数字数据集，通过Keras构建全连接神经网络，实现0-9数字的分类识别。
tensorflow Mnist
zj572459439的专栏
06-07 1018
# -*- coding:utf-8 -*- # 加载数据 import input_data mnist = input_data.read_data_sets("Mnist_data/", one_hot=True) # start tensorflow interactiveSession import tensorflow as tf sess = tf.InteractiveSessi
深入理解MNIST数据集：手写数字识别的经典基准
最新发布
weixin_28988985的博客
06-15 1171
MNIST（Modified National Institute of Standards and Technology）数据集是由美国国家标准与技术研究院（NIST）提供的一个大型手写数字数据库，广泛用于机器学习和计算机视觉领域的研究和教育。它包含数以万计的手写数字图片，这些图片被归一化到统一的尺寸，以便于各种算法的处理和分析。在处理像MNIST这样的手写数字识别任务时，存在多种模型可以应用。理解每种模型的原理和特点，将有助于我们选择和构建最适合问题的解决方案。
mnist的模型
11-22
mnist的训练模型，深度学习的训练模型，包括10000个训练模型
Tensorflow实战(一)——MNIST
陈陈陈Chan的博客
08-08 7910
文章目录1. MNIST1.1 MNIST 简介1.2 MNIST 下载1.3 MNIST 使用1.4 图像标签的one-hot表示2. Softmax 回归2.1 Softmax 简介2.2 Softmax 实现3. 损失函数3.1 损失函数简介3.2 损失函数实现4. 运行模型5. 测试模型6. 完整代码与解析 引用 https://www.cnblogs.com/lizheng114/p/7439556.html https://www.cnblogs.com/xiaoyh/p/10813413.
tensorflow——MNIST（CNN实现）
coco的博客
07-18 500
接NN模型章节 实现不同点：图像不再是一维向量784一次性训练，而是将图像与kernel(n*n)卷积，更好的保留了图像相邻像素的关联性，直观体现在预测正确率上。 定义卷积层：conv2d 定义池化层：max_pool_2x2 本次实现采用的是LeNet-5实现：总共有7层设计，如下图所示： conv1 -> pool1 -> conv2 -> pool2 -&gt...
Tensorflow实战(二)——MNIST（CNN实现）
陈陈陈Chan的博客
08-15 5198
原文链接：https://my.oschina.net/u/876354/blog/1926060 本文在原文基础上进行细微的修改和完善。 文章目录1. 准备数据2. 数据预处理3. 划分数据集4. 配置模型5. 训练模型6. 评估优化7. 模型应用8. 完整代码 关于MNIST的介绍可以参考《Tensorflow入门(八)——MNIST》 在构建AI模型时，一般有以下主要步骤：准备数据、数据预处理、划分数据集、配置模型、训练模型、评估优化、模型应用，如下图所示： 下面将按照主要步骤进行介绍。 注意： 由
Tensorflow——MNIST数据集/过拟合问题/Dropout算法
鬼刀
01-10 1794
一、过拟合、欠拟合问题 出现过拟合的原因：在机器学习模型中，若果模型的参数太多，但训练样本又少，训练出来的模型容易产生过拟合现象，具体表现为，模型在训练数据上，损失函数较小，预测准确率较高；在测试数据集上，损失函数较大，预测准确率较低。     1、欠拟合  根本原因是特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大。 2、过拟合 根本原因是特征维度过多，模型假设...
[转]MNIST机器学习入门
weixin_30561177的博客
12-17 1639
MNIST机器学习入门 转自:http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html?plg_nld=1&plg_uin=1&plg_auth=1&plg_nld=1&plg_usr=1&plg_vkey=1&plg_dev=1 这个教程的目...
TensorFlow MNIST机器学习入门-源码（带mnist数据集）
12-12
TensorFlow MNIST机器学习入门-源码（带mnist数据集）
Tensorflow_MNIST
09-12
使用tensorflow 1.3框架，Python3.6，构建简单的神经网络，对MNIST数据集中的数据进行训练，然后将训练好的模型存储在当前目录的model文件夹下，然后使用数据集中的测试数据对模型进行评估！
mnist训练好的模型
08-06
CAFFE框架下，利用lenet深度神经网络训练的mnist数据集的caffemodel，可用于验证识别，反卷积可视化
深度学习基础网络模型(mnist手写体识别数据集)
11-02
梯度下降纯手工实现 MLP CNN RNN SEQ2SEQ识别手写体MNIST数据集十分类问题代码详解.
Tensorflow--MNIST分类模型
disanda的专栏
06-02 1343
该模型是tensorflow官方文档首个模型,没有使用卷积网络 关键是构建一个公式 公式为y=wx+b，带有二维像素值的数组(图片)作为输入x，标签(图片结果)作为输出y 用正向传播把数据(x，y)带入训练，再反向传播提升梯度来不断调整参数(w,b)，使得公式的输出尽量准确。 正确率约为92% 一、模型构建(计算公式实现) 为了得到一章图片(28*28=784个像素值)属于...
Tensorflow实现MNIST（一）
qq_35373827的博客
01-09 349
tensorflow使用逻辑回归实现手写数字识别 写这一系列教程，是希望读者能从完整到代码中，发现如何去写tensorflow代码 在网上找了很多关于MNIST手写集的tensorflow教程，发现都是一句一句的，有时候全部写下来，发现跑不了 所以我整理了一些关于手写数字识别的tensorflow完整代码 关于逻辑回归的手写识别完整代码，可以跑起来： import tensorflow as tf...
干货！！！学习笔记-TensorFlow NN
weili_的博客
06-24 1026
1、NN1.1 基础网络的解析       其中，测试和验证集能赋值到 tf.constant() 中，而训练集可以导入 tf.placeholder() 中，训练集只有导入占位符我们才能在随机梯度下降中成批量地进行训练。网络定义的权重矩阵和偏置向量后需要执行初始化，每一层需要一个权重矩阵和一个偏置向量。构建损失函数，并计算训练损失。模型会输出一个预测向量，我们可以比较预测标签和真实标签并使用交叉...
Tensorflow的MNIST
Fabio的博客
01-29 610
程序代码：  tensorMNIST.py  #coding = utf-8 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("C:\\Users\\xiaoj\\Desktop\\MNIST_data",o...
文字识别模型MNIST
qq_44377946的博客
08-24 1491
1 简介 MNIST是一个入门级的计算机视觉数据集，它包含各种从0到9的手写数字图片以及对应的标签，本篇使用了两层简单神经元来实现手写图片预测，主要目的在于熟悉Tensorflow的使用流程。 2 数据集 本篇使用MNIST数据集，首先导入包： import numpy as np import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import...
如何预训练的 MNIST 数字识别模型
01-17
### 如何使用预训练的 MNIST 数字识别模型 #### 使用预训练模型进行推理 对于已经训练好的MNIST数字识别模型，可以直接用于新图片的手写数字预测。通常情况下，这些预训练模型可以在多个深度学习库中找到，比如TensorFlow、PyTorch等。 以PyTorch为例，加载并使用一个预训练的MNIST模型来进行推理的过程如下： ```python import torch from torchvision import datasets, transforms from torchvision.models import resnet18 from torch.utils.data import DataLoader # 定义转换操作，将输入图像标准化到[0, 1]范围，并调整大小为28x28像素 transform = transforms.Compose([ transforms.ToTensor(), ]) # 加载测试集（这里假设只做推理） test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) # 假设有一个名为'mnist_cnn.pth'的文件保存着预训练权重 model = resnet18(pretrained=False, num_classes=10) # 创建ResNet-18架构，指定输出类别数为10 model.load_state_dict(torch.load('mnist_cnn.pth')) # 载入预训练参数 model.eval() # 设置评估模式 with torch.no_grad(): # 关闭梯度计算以节省内存 correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Test Accuracy of the model on {total} test images: {(correct / total):.2f}%') ``` 这段代码展示了如何加载预训练模型并对新的手写数字样本执行分类任务[^2]。 #### 对预训练模型进行微调 当现有的预训练模型无法满足特定场景下的性能要求时，则可以通过迁移学习的方式对其进行进一步优化——即所谓的“微调”。 以下是针对特定领域内更复杂的任务对上述MNIST预训练模型实施微调的一个简化版本： ```python import torch.optim as optim # 继续沿用之前的'train_dataset' train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, targets = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() running_loss += loss.item() print(f'[Epoch {epoch + 1}] Loss: {running_loss/(i+1)}') torch.save(model.state_dict(), 'finetuned_mnist_model.pth') # 将微调后的模型保存下来以便后续部署或继续迭代改进 ``` 通过这种方式，在保持原有大部分层不变的情况下仅修改最后一两层来适应目标任务的数据分布特点，从而实现更好的泛化能力与更高的准确性[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值