TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras实现分类问题

java1234_小锋2025-10-16 18:34

锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍

本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras实现分类问题

我们使用TensorFlow2 Keras实现分类问题，数据集使用之前机器学习用到的鸢尾花数据集。四个特征，三个目标类别。

输出层激活函数是softmax。将网络的原始输出值转换成概率分布，方便理解和比较不同类别的预测。

示例代码：

复制代码

import tensorflow as tf
from keras import Input, layers
from sklearn.datasets import load_iris

# 1，加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target  # 标签：0-Setosa, 1-Versicolour, 2-Virginica

# 2,构建分类模型
model = tf.keras.models.Sequential([
    Input(shape=(X.shape[1],)),  # 输入层
    layers.Dense(16, activation='relu'),  # 隐藏层
    layers.Dense(3, activation='softmax')  # 输出层 3个神经元，对应3个类别
])

# 3,模型编译
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',  # 多分类交叉熵损失函数
    metrics=['accuracy']  # 评估指标：准确率
)

# 4,模型训练
history = model.fit(X, y, epochs=200, batch_size=32, verbose=1)
print(f"最终损失: {history.history['loss'][-1]:.4f}, 最终准确率: {history.history['accuracy'][-1]:.4f}")

运行输出：