Tensorflow实现手写数字识别

|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 模型架构 * 具有10个神经元,对应10个类别(0-9的数字)。 * 使用softmax激活函数,对多分类问题进行概率归一化。 * 输出层 (Dense): * 具有64个神经元。 * 激活函数为ReLU。 * 全连接层 (Dense): * 将二维数据展平成一维,为全连接层做准备。 * 展平层 (Flatten): * 第三层卷积层有64个过滤器。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 卷积层 (Conv2D): * 池化大小为2x2。 * 最大池化层 (MaxPooling2D): * 第二层卷积层有64个过滤器。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 卷积层 (Conv2D): * 池化大小为2x2。 * 通过池化操作减小特征图的尺寸,同时保留最重要的信息。 * 最大池化层 (MaxPooling2D): * 第一层卷积层有32个过滤器(filters)。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 输入形状为28x28的单通道图像(黑白图像)。 * 卷积层 (Conv2D): |

python 复制代码
import tensorflow as tf

from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist

# 载入 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = tf.keras.utils.to_categorical(train_labels)
test_labels = tf.keras.utils.to_categorical(test_labels)

# 构建神经网络模型
model = models.Sequential([
    # 第一层:卷积层
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),

    # 第二层:最大池化层
    layers.MaxPooling2D((2, 2)),

    # 第三层:卷积层
    layers.Conv2D(64, (3, 3), activation='relu'),

    # 第四层:最大池化层
    layers.MaxPooling2D((2, 2)),

    # 第五层:卷积层
    layers.Conv2D(64, (3, 3), activation='relu'),

    # 将二维数据展平成一维
    layers.Flatten(),

    # 第六层:全连接层(密集层),64个神经元,ReLU激活函数
    layers.Dense(64, activation='relu'),

    # 输出层:全连接层,10个神经元(对应10个类别,0-9的数字),使用softmax激活函数
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2)

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

编译模型:

python 复制代码
model.compile( 
	optimizer,    # 优化器,用于配置模型的学习过程。常见的有 'adam'、'sgd' 等。
	loss,         # 损失函数,用于衡量模型在训练时的性能。常见的有 'categorical_crossentropy'、'mse' 等。 
	metrics=None  # 评估指标,用于监控训练和测试性能。可以是一个字符串或字符串列表。例如,'accuracy'。
 )

optimizer(优化器):

优化器决定了模型如何进行参数更新,以最小化损失函数。常见的优化器包括 'adam'、'sgd'、'rmsprop' 等。不同的优化器可能适用于不同类型的问题。

loss(损失函数):

损失函数用于衡量模型在训练时的性能,即模型预测与实际标签之间的差异。对于不同的问题,需要选择合适的损失函数。例如,对于分类问题,常见的是 'categorical_crossentropy',而对于回归问题,可能是 'mse'(均方误差)。

metrics(评估指标):

评估指标用于监控模型的性能。在训练和测试过程中,会输出这些指标的值。例如,'accuracy' 表示模型的准确性。你可以传递一个字符串或一个字符串列表,以同时监控多个指标。

相关推荐
站大爷IP37 分钟前
Java调用Python的5种实用方案:从简单到进阶的全场景解析
python
聚客AI40 分钟前
🌟大模型为什么产生幻觉?预训练到推理的漏洞全揭秘
人工智能·llm·掘金·日新计划
Juchecar1 小时前
一文讲清 nn.Sequential 等容器类
人工智能
阿里云云原生1 小时前
如何快速看懂「祖传项目」?Qoder 强势推出新利器
人工智能
美团技术团队1 小时前
LongCat-Flash:如何使用 SGLang 部署美团 Agentic 模型
人工智能·算法
程序员小袁3 小时前
基于C-MTEB/CMedQAv2-rerankingv的Qwen3-1.7b模型微调-demo
人工智能
飞哥数智坊4 小时前
AI 编程一年多,我终于明白:比技巧更重要的,是熟练度
人工智能·ai编程
新智元4 小时前
收手吧 GPT-5-Codex,外面全是 AI 编程智能体!
人工智能·openai
IT_陈寒4 小时前
Java 性能优化:5个被低估的JVM参数让你的应用吞吐量提升50%
前端·人工智能·后端
阿里云云原生5 小时前
阿里云基础设施 AI Tech Day AI 原生,智构未来——AI 原生架构与企业实践专场
人工智能