tensorflow学习笔记（三）

最新推荐文章于 2022-03-17 23:05:23 发布

妄语之人

最新推荐文章于 2022-03-17 23:05:23 发布

阅读量211

点赞数

分类专栏：机器学习文章标签：深度学习 python 机器学习

本文链接：https://blog.youkuaiyun.com/weixin_41979347/article/details/104158440

版权

这篇博客介绍了在TensorFlow 2.0中进行模型优化的方法，包括热度编码、学习速率调整、反向传播算法的运用以及常见的优化器如SGD、RMSprop和Adam。同时，讨论了超参数在网络容量中的角色，强调了正确选择网络层数和神经元数量的重要性，以防止过拟合和欠拟合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型优化

编译程序： VScode
python版本：3.6.6
Anaconda版本：
Anaconda3-2019-10
tensorflow版本：2.0.0
pandas版本：0.25.1

热度编码

制作一个0-9十分类的模型，label值直接写作0-9指序列格式，独热编码则是创建一个长度为10的矩阵，通过矩阵中每个元素的不同来描述（0-1的概率）
代码如下：

import tensorflow as tf 
import pandas as pd
import matplotlib.pyplot as plt
import os  
print("Tensorflow version: {}".format(tf.version))
(train_image,train_label),(test_image,test_label) = tf.keras.datasets.fashion_mnist.load_data()
#网络下载
print("train_image :" + str(train_image.shape))
#建立新的模型用load_weights,载入权重


#归一化
train_image = train_image/255
test_image = test_image/255
train_label_onhot = tf.keras.utils.to_categorical(train_label)
test_label_onhot = tf.keras.utils.to_categorical(test_label)

#用矩阵形式保存label，长度为label种类
model = tf.keras.Sequ

最低0.47元/天解锁文章