深度学习的程序实例

以下是一个使用深度学习的程序实例:

python 复制代码
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import RMSprop

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# 类别标签进行One-Hot编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 构建深度学习模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

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

# 训练模型
batch_size = 128
epochs = 10
history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_test, y_test))

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

上述代码是一个简单的手写数字识别程序,使用了深度学习模型进行训练和预测。首先,通过mnist.load_data()函数加载了MNIST数据集,数据集包含了手写数字的图像和对应的标签。

然后,对数据进行预处理,包括将图像数据转换为浮点数并归一化,以及对标签进行One-Hot编码。

接下来,使用Sequential()创建了一个序列模型,并添加了两个全连接层和一个Dropout层。模型通过RMSprop优化器和交叉熵损失函数进行编译。

然后,使用fit()函数训练模型,并将训练数据和测试数据作为输入。训练过程中,可以指定批次大小、训练轮数等参数。

最后,使用evaluate()函数评估模型在测试数据上的性能,并打印出损失值和准确率。

这个程序使用深度学习模型对手写数字图像进行分类,可以实现较高的准确率。

相关推荐
似乎很简单2 小时前
卷积神经网络(CNN)
深度学习·神经网络·cnn
盼小辉丶3 小时前
Transformer实战(18)——微调Transformer语言模型进行回归分析
深度学习·语言模型·回归·transformer
格林威3 小时前
机器视觉检测如何使用360 度全景成像镜头进行AI 瑕疵检测
人工智能·深度学习·数码相机·机器学习·计算机视觉·视觉检测·相机
九章云极AladdinEdu4 小时前
深度学习优化器进化史:从SGD到AdamW的原理与选择
linux·服务器·开发语言·网络·人工智能·深度学习·gpu算力
ACEEE12227 小时前
Stanford CS336 | Assignment 2 - FlashAttention-v2 Pytorch & Triotn实现
人工智能·pytorch·python·深度学习·机器学习·nlp·transformer
NG WING YIN7 小时前
Golang關於信件的
开发语言·深度学习·golang
大千AI助手8 小时前
残差:从统计学到深度学习的核心概念
人工智能·深度学习·resnet·统计学·方差分析·残差·残差分析
max5006009 小时前
使用OmniAvatar-14B模型实现照片和文字生成视频的完整指南
图像处理·人工智能·深度学习·算法·音视频
技术程序猿华锋9 小时前
深度解码OpenAI的2025野心:Codex重生与GPT-5 APIKey获取调用示例
人工智能·vscode·python·gpt·深度学习·编辑器
linjoe9915 小时前
【Deep Learning】Ubuntu配置深度学习环境
人工智能·深度学习·ubuntu