成人国产在线小视频_日韩寡妇人妻调教在线播放_色成人www永久在线观看_2018国产精品久久_亚洲欧美高清在线30p_亚洲少妇综合一区_黄色在线播放国产_亚洲另类技巧小说校园_国产主播xx日韩_a级毛片在线免费

資訊專(zhuān)欄INFORMATION COLUMN

mnist

wapeyang / 2863人閱讀
MNIST（Modified National Institute of Standards and Technology）是一個(gè)著名的手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集，它包含了許多手寫(xiě)數(shù)字的灰度圖像，其中每個(gè)圖像的大小是28x28像素。該數(shù)據(jù)集被廣泛用于測(cè)試和比較不同機(jī)器學(xué)習(xí)算法的性能。 在本文中，我們將介紹如何使用Python和機(jī)器學(xué)習(xí)庫(kù)TensorFlow來(lái)訓(xùn)練一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別MNIST數(shù)據(jù)集中的手寫(xiě)數(shù)字。 ## 準(zhǔn)備工作 首先，我們需要安裝TensorFlow和相關(guān)的Python庫(kù)。在終端中輸入以下命令： 
pip install tensorflow matplotlib numpy
我們還需要下載MNIST數(shù)據(jù)集，可以使用TensorFlow的內(nèi)置函數(shù)進(jìn)行下載： 
python
import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
這將下載并加載MNIST數(shù)據(jù)集，將訓(xùn)練集和測(cè)試集分別存儲(chǔ)在`x_train`、`y_train`和`x_test`、`y_test`中。 ## 構(gòu)建模型 接下來(lái)，我們將構(gòu)建一個(gè)包含3個(gè)全連接層的神經(jīng)網(wǎng)絡(luò)。首先，我們需要將輸入數(shù)據(jù)展平為1維向量，然后將其輸入到第一個(gè)全連接層中。每個(gè)全連接層后面都跟著一個(gè)ReLU激活函數(shù)和一個(gè)Dropout層，以避免過(guò)擬合。 
python
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation="relu"),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(64, activation="relu"),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])
最后一層不使用激活函數(shù)，因?yàn)槲覀儗⒃谟?xùn)練期間使用softmax來(lái)計(jì)算輸出。 ## 訓(xùn)練模型 接下來(lái)，我們需要編譯并訓(xùn)練我們的模型。我們將使用adam優(yōu)化器和交叉熵?fù)p失函數(shù)。 
python
model.compile(optimizer="adam",
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=["accuracy"])

model.fit(x_train, y_train, epochs=10)
這將對(duì)模型進(jìn)行10個(gè)epoch的訓(xùn)練。我們可以使用測(cè)試集來(lái)評(píng)估模型的性能： 
python
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print("
Test accuracy:", test_acc)
## 預(yù)測(cè) 最后，我們可以使用訓(xùn)練好的模型來(lái)預(yù)測(cè)新的手寫(xiě)數(shù)字。我們可以使用`matplotlib`庫(kù)來(lái)顯示圖像，并使用`argmax`函數(shù)來(lái)查找模型輸出中最大的元素的索引。 ```python import matplotlib.pyplot as plt import numpy as np # 顯示圖像 plt.imshow(x_test[0], cmap=plt.cm.binary) plt.show() # 預(yù)測(cè)結(jié)果 predictions = model.predict(np.array([x_test[0]])) print(np.argmax(predictions[0]))

文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/130754.html

相關(guān)文章

  • Hinton膠囊理論代碼開(kāi)源，上線(xiàn)即受熱捧

    摘要：近日，該論文的一作終于在上公開(kāi)了該論文中的代碼。該項(xiàng)目上線(xiàn)天便獲得了個(gè)，并被了次。 當(dāng)前的深度學(xué)習(xí)理論是由Geoffrey Hinton大神在2007年確立起來(lái)的，但是如今他卻認(rèn)為，CNN的特征提取層與次抽樣層交叉存取，將相同類(lèi)型的相鄰特征檢測(cè)器的輸出匯集到一起是大有問(wèn)題的。去年9月，在多倫多接受媒體采訪(fǎng)時(shí)，Hinton大神斷然宣稱(chēng)要放棄反向傳播，讓整個(gè)人工智能從頭再造。10月，人們關(guān)注已久...

    tianlai 評(píng)論0 收藏0

  • 概覽 AI在線(xiàn)服務(wù) UAI Inference

    摘要：概覽概覽產(chǎn)品簡(jiǎn)介基礎(chǔ)知識(shí)產(chǎn)品優(yōu)勢(shì)機(jī)制產(chǎn)品架構(gòu)設(shè)計(jì)原理彈性擴(kuò)縮容機(jī)制開(kāi)發(fā)綜述服務(wù)請(qǐng)求方式開(kāi)源鏡像開(kāi)源案例學(xué)習(xí)視頻產(chǎn)品定價(jià)快速上手快速上手案例介紹環(huán)境準(zhǔn)備在線(xiàn)服務(wù)代碼簡(jiǎn)介 概覽產(chǎn)品簡(jiǎn)介UAI-Inference基礎(chǔ)知識(shí)產(chǎn)品優(yōu)勢(shì)Hot-Standby機(jī)制產(chǎn)品架構(gòu)設(shè)計(jì)原理彈性擴(kuò)縮容機(jī)制開(kāi)發(fā)綜述服務(wù)請(qǐng)求方式開(kāi)源Docker鏡像開(kāi)源案例學(xué)習(xí)視頻產(chǎn)品定價(jià)快速上手快速上手（TF-Mnist案例)MNIST ...

    ernest.wang 評(píng)論0 收藏1403

  • TensorFlow學(xué)習(xí)筆記（6）：TensorBoard之Embeddings

    摘要：前言本文基于官網(wǎng)的寫(xiě)成。是自帶的一個(gè)可視化工具，是其中的一個(gè)功能，用于在二維或三維空間對(duì)高維數(shù)據(jù)進(jìn)行探索。本文使用數(shù)據(jù)講解的使用方法。 前言 本文基于TensorFlow官網(wǎng)的How-Tos寫(xiě)成。 TensorBoard是TensorFlow自帶的一個(gè)可視化工具，Embeddings是其中的一個(gè)功能，用于在二維或三維空間對(duì)高維數(shù)據(jù)進(jìn)行探索。 An embedding is a map ...

    hover_lew 評(píng)論0 收藏0

發(fā)表評(píng)論

0條評(píng)論

最新活動(dòng)
閱讀需要支付1元查看
<