Tensorflow05-简单的全连接神经⽹络案例
第⼀个神经元⽹络就使⽤最简单的全连接神经⽹络。
使⽤tensorflow⾥的 fashion_mnist 服饰数据集来完成此次的⼊门案例，建议使⽤ jupyter 分步执⾏，每步都理解掌握。
数据集介绍：⼤概60000张图⽚，分成了⾐服帽⼦鞋⼦等等10个类别。每张图⽚是由 28*28 个像素组成的，每个像素取值 0 ~ 255。import tensorflow as tf
from tensorflow import keras
win10自动更新怎么关闭import matplotlib.pyplot as plt
# 加载数据集
fashion_mnist = keras.datats.fashion_mnist
# 得到训练/测试数据，训练/测试标签
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 查看数据形状元宵节的歌
train_images.shape, train_labels.shape
plt.imshow(test_images[0]) # 画图⽤ imshow !
# 创建神经元模型
model = keras.Sequential()
# 第⼀层使⽤Flatten
model.add(keras.layers.Flatten(input_shape=(28, 28)))红糖姜汤
model.add(keras.layers.Den(128, lu))
model.add(keras.layers.Den(10, softmax))
# 查看神经⽹络结构
model.summary()
#配置训练⽅法，optimizer（优化器）为经常使⽤的Adam，损失函数使⽤spar_categorical_crosntropy，注意还有不带spar的，则表⽰数据为独热编码形式的。pile(optimizer=tf.optimizers.Adam(), loss=tf.loss.spar_categorical_crosntropy, metrics=['accuracy'])
# 为防⽌过拟合定义该类
class myCallback(tf.keras.callbacks.Callback): # 继承⾃ Callback
def on_epoch_end(lf, epoch, logs={}): # 重写该⽅法
('loss') < 0.4): # 如果 loss < 0.4, 认为发⽣过拟合
print("\nLoss is low so cancelling training")昆虫记读后感600字
微软英文
callbacks = myCallback()
# 归⼀化
沙皮狗多少钱一只
train_images = train_images/255
test_images_scaled = test_images/255
# 训练数据得到 history 对象，最后⼀个参数表⽰⾃动中⽌训练，类的定义在上⽅
history = model.fit(train_images, train_labels, epochs=5, callbacks=[callbacks])
# 利⽤测试数据/测试标签评估模型
model.evaluate(test_images_scaled, test_labels)
# 预测数据，并提取第⼀个（0）的预测结果
model.predict(test_images_scaled)[0]
对该案例代码中的⼀些解释：
⾸先这个数据集的每个元素是⼆维的，即这个数据集存放着若⼲张图⽚，每个图⽚是⼀个像素 28*28 的⼆维矩阵存储。
所以我们的模型第⼀层使⽤ Flatten，作⽤是将⼆维输⼊数据转换成⼀维的。也就是输⼊层。
Den 表⽰全连接⽹络，⾄于参数激活函数 activation 在上篇博客中有详细解释。
第⼆个 Den 是输出层，⼀共有 10 个类别，所以输出的神经元个数为 10。这层也叫输出层。
胳膊怎么读
介于输⼊输出层之间为隐含层，这⾥的隐含层只有⼀个，也是 Den，这⾥神经元数量128，可以⾃⼰更改，以得到更好的训练结果。配置模型的编译 compile ，优化器为 Adam()，损失函数为 spar_categorical_crosntropy
永远的父亲
⾃定义的 Callback 的继承类，防⽌过拟合。
fit 训练数据
evaluate 利⽤测试集评估模型
predict 预测数据
