mnist

TensorFlow2.1入门学习笔记(11)——自制数据集,并记录训练模型

以MNIST的sequential模型为base-line,通过读取自己的数据,训练模型并存储模型,最后达到绘图实物的运用。 自制数据集,解决本领域应用 观察数据结构 给x_train、y_train、x_test、y_test赋值 def generateds(图片路径,标签文件): def generateds(path, txt): f = open(txt, 'r') # 以只读形式打开txt文件 contents = f.readlines() # 读取文件中所有行 f.close() # 关闭txt文件 x, y_ = [], [] # 建立空列表 for content in contents: # 逐行取出 value = content.

TensorFlow2.1入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)

前面已经使用TensorFlow2的原生代码搭建神经网络,接下来将使用keras搭建神经网络,并改写鸢尾花分类问题的代码,将原本100多行的代码用不到20行代码实现。 用TensorFlow API:tf.keras搭建网络 使用Sequential 六步法: import,相关模块 train, test,指定训练集的输入特征,和训练集的标签 model = tf.keras.models.Sequential,搭建网络结构,(顺序神经网络) model.compile,配置训练方法 model.fit,执行训练 model.summary,打印出网络结构和参数统计 model = tf.keras.models.Sequential([网络结构]) 描述各层网络: 拉直层:tf.keras.layers.Flatten(),将输入特征拉直 全连接层:tf.keras.layers.Dense(神经元个数,activation=“激活函数”,kernel_regularizer=哪种正则化) activation(字符串给出)可选: relu、 softmax、 sigmoid 、 tanh