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
林木森ai4 分钟前
爆款AI动物运动会视频,用Coze(扣子)一键搞定全流程(附保姆级拆解)
人工智能·aigc
聚客AI1 小时前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
BeerBear2 小时前
【保姆级教程-从0开始开发MCP服务器】一、MCP学习压根没有你想象得那么难!.md
人工智能·mcp
小气小憩2 小时前
“暗战”百度搜索页:Monica悬浮球被“围剿”,一场AI Agent与传统巨头的流量攻防战
前端·人工智能
数据智能老司机3 小时前
精通 Python 设计模式——创建型设计模式
python·设计模式·架构
神经星星3 小时前
准确度提升400%!印度季风预测模型基于36个气象站点,实现城区尺度精细预报
人工智能
数据智能老司机4 小时前
精通 Python 设计模式——SOLID 原则
python·设计模式·架构
c8i5 小时前
django中的FBV 和 CBV
python·django
c8i5 小时前
python中的闭包和装饰器
python
IT_陈寒5 小时前
JavaScript 性能优化:5 个被低估的 V8 引擎技巧让你的代码快 200%
前端·人工智能·后端