TensorFlow开源项目

import tensorflow as tf
from tensorflow.keras import layers, models

# 加载数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
model.evaluate(x_test, y_test)

🍍代码解析

python 复制代码

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

这段代码加载 MNIST 数据集，其中包含手写数字的灰度图像（28x28 像素）。x_train 和 x_test 分别是训练集和测试集的图像数据，y_train 和 y_test 分别是对应的标签。

数据被归一化到 [0, 1] 范围内，通过除以 255.0（图像像素值的最大值）。

python 复制代码

model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

这段代码使用 Sequential 模型构建了一个包含以下层的神经网络：

Flatten 层：将输入的 28x28 的二维图像展平为一维向量（长度为 784），以便输入到全连接层。

第一层 Dense 层：全连接层，包含 128 个神经元，使用 ReLU 激活函数。

Dropout 层：在训练过程中随机断开 20% 的神经元连接，防止过拟合。

第二层 Dense 层：输出层，包含 10 个神经元，使用 softmax 激活函数，用于多分类问题的概率输出。

🍈卷积神经网络（CNN）进行图像分类

python 复制代码

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载CIFAR10数据集
(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建CNN模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=10, 
          validation_data=(x_test, y_test))

# 评估模型
model.evaluate(x_test, y_test)

🍈文本分类（IMDB影评情感分析）

python 复制代码

import tensorflow as tf
from tensorflow.keras import datasets, layers, models, preprocessing

# 加载IMDB数据集
(x_train, y_train), (x_test, y_test) = datasets.imdb.load_data(num_words=10000)
x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=200)
x_test = preprocessing.sequence.pad_sequences(x_test, maxlen=200)

# 构建LSTM模型
model = models.Sequential([
    layers.Embedding(10000, 128),
    layers.LSTM(128, dropout=0.2, recurrent_dropout=0.2),
    layers.Dense(1, activation='sigmoid')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, 
          validation_data=(x_test, y_test))

# 评估模型
model.evaluate(x_test, y_test)

🍉GitHub 地址

TensorFlow

总的来说，TensorFlow 是一个功能强大、灵活性高且社区活跃的开源机器学习框架，适合各种深度学习任务和应用场景。如果你对机器学习和深度学习感兴趣，TensorFlow 是一个非常值得学习和使用的工具。