mnist

wapeyang 发布于2023-04-25 20:06 / 2804人阅读

MNIST（Modified National Institute of Standards and Technology）是一个著名的手写数字数据集，它包含了许多手写数字的灰度图像，其中每个图像的大小是28x28像素。该数据集被广泛用于测试和比较不同机器学习算法的性能。在本文中，我们将介绍如何使用Python和机器学习库TensorFlow来训练一个简单的神经网络来识别MNIST数据集中的手写数字。 ## 准备工作首先，我们需要安装TensorFlow和相关的Python库。在终端中输入以下命令：

pip install tensorflow matplotlib numpy

我们还需要下载MNIST数据集，可以使用TensorFlow的内置函数进行下载：

python
import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

这将下载并加载MNIST数据集，将训练集和测试集分别存储在`x_train`、`y_train`和`x_test`、`y_test`中。 ## 构建模型接下来，我们将构建一个包含3个全连接层的神经网络。首先，我们需要将输入数据展平为1维向量，然后将其输入到第一个全连接层中。每个全连接层后面都跟着一个ReLU激活函数和一个Dropout层，以避免过拟合。

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)
])

最后一层不使用激活函数，因为我们将在训练期间使用softmax来计算输出。 ## 训练模型接下来，我们需要编译并训练我们的模型。我们将使用adam优化器和交叉熵损失函数。

python
model.compile(optimizer="adam",
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=["accuracy"])

model.fit(x_train, y_train, epochs=10)

这将对模型进行10个epoch的训练。我们可以使用测试集来评估模型的性能：

python
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print("
Test accuracy:", test_acc)

## 预测最后，我们可以使用训练好的模型来预测新的手写数字。我们可以使用`matplotlib`库来显示图像，并使用`argmax`函数来查找模型输出中最大的元素的索引。 ```python import matplotlib.pyplot as plt import numpy as np # 显示图像 plt.imshow(x_test[0], cmap=plt.cm.binary) plt.show() # 预测结果 predictions = model.predict(np.array([x_test[0]])) print(np.argmax(predictions[0]))

云服务器 GPU云服务器 MNIST mnist数据集 mnist数据集下载 mnist数据集转换成txt

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/130754.html

Hinton胶囊理论代码开源，上线即受热捧

摘要：近日，该论文的一作终于在上公开了该论文中的代码。该项目上线天便获得了个，并被了次。当前的深度学习理论是由Geoffrey Hinton大神在2007年确立起来的，但是如今他却认为，CNN的特征提取层与次抽样层交叉存取，将相同类型的相邻特征检测器的输出汇集到一起是大有问题的。去年9月，在多伦多接受媒体采访时，Hinton大神断然宣称要放弃反向传播，让整个人工智能从头再造。10月，人们关注已久...

tianlai 2019-04-25 18:25 评论0 收藏0
概览 AI在线服务 UAI Inference

摘要：概览概览产品简介基础知识产品优势机制产品架构设计原理弹性扩缩容机制开发综述服务请求方式开源镜像开源案例学习视频产品定价快速上手快速上手案例介绍环境准备在线服务代码简介概览产品简介UAI-Inference基础知识产品优势Hot-Standby机制产品架构设计原理弹性扩缩容机制开发综述服务请求方式开源Docker镜像开源案例学习视频产品定价快速上手快速上手（TF-Mnist案例)MNIST ...

ernest.wang 2022-07-12 16:25 评论0 收藏1403
TensorFlow学习笔记（6）：TensorBoard之Embeddings

摘要：前言本文基于官网的写成。是自带的一个可视化工具，是其中的一个功能，用于在二维或三维空间对高维数据进行探索。本文使用数据讲解的使用方法。前言本文基于TensorFlow官网的How-Tos写成。 TensorBoard是TensorFlow自带的一个可视化工具，Embeddings是其中的一个功能，用于在二维或三维空间对高维数据进行探索。 An embedding is a map ...

hover_lew 2019-07-25 11:27 评论0 收藏0