目錄

Fashion MNIST數據集

一、獲取Mnist數據集

二、加載數據集

三、數據歸一化

四、設計神經網絡模型

五、模型編譯&&訓練

5-1、編譯?

5-2、訓練

六、模型評估

七、模型預測

1、?對全部測試集分類

2、獲取某一個分類的結果

3、顯示預測結果

八、防止過擬合

總代碼

---

Fashion MNIST數據集

?

?輸入的每個值經過每一個神經元。

一、獲取Mnist數據集

# 1、獲取Fashion Mnist數據集
mnist = tf.keras.datasets.fashion_mnist
print(mnist)

二、加載數據集

# 2、加載數據集
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
# 查看數據集
import matplotlib.pyplot as plt
print(training_images)
print(training_labels)
print(test_images)
print(test_labels)
plt.imshow(training_images[0])

三、數據歸一化

數據歸一化，把數據區間定位到[0,1]。

# 3、數據歸一化
training_images  = training_images / 255.0
test_images = test_images / 255.0
# print(training_images)
# print(test_images)

四、設計神經網絡模型

設計神經網絡模型（輸入層、隱藏層、輸出層）。

# 4、設計神經網絡模型（分類）
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),                      #輸入層tf.keras.layers.Dense(128, activation=tf.nn.relu), #隱藏層              神經元數量  激活函數tf.keras.layers.Dense(10, activation=tf.nn.softmax)])#輸出層               輸出特征數量  激活函數

每一層神經元都需要一個激活函數 activation：告訴它們輸出什么。有很多選項，但目前只用這些（relu和softmax）。

Relu激活函數： "如果X>0返回X，否則返回0"--所以它的作用是它只把大于0的值傳遞給網絡中的下一層，小于0的也當作0。

Softmax激活函數：接收到一組值后，選擇其中最大的一個輸出。例如，上一層的輸出為[0.1, 0.1, 0.05, 0.1, 9.5, 0.1, 0.05, 0.05, 0.05]，Softmax就省去了你在其中尋找最大的值，并把它變成[0,0,0,0,0,1,0,0,0,0,0] **Softmax**的意思是 "如果X>0，則返回X，否則返回0" -- 所以它的作用是只把0或更大的值傳給下一層的網絡。--其目的是節省大量的編碼！

得到的模型：?

五、模型編譯&&訓練

5-1、編譯?

# 5-1、編譯
model.compile(optimizer = tf.optimizers.Adam(), loss = 'sparse_categorical_crossentropy', metrics=['accuracy'])
#     編譯    優化器                             損失函數  交叉熵損失函數               監控
# 優化器：Adam優化算法（尋找全局最優點）
# 損失函數：交叉熵損失函數（用來評估當前訓練得到的概率分布與真實分布的差異情況）

5-2、訓練

# 5-2、訓練
model.fit(training_images, training_labels, epochs=5)
#         訓練特征集        訓練目標集        執行5次

六、模型評估

# 6、模型評估
model.evaluate(test_images, test_labels)

????????對沒有訓練過的數據測試時，可以發現，準確率有所降低，模型對于未見過的數據，可能不會像見過的數據那樣處理的那么好。

七、模型預測

1、?對全部測試集分類

# 1、得到全部分類預測
classification = model.predict(test_images)

2、獲取某一個分類的結果

# 2、獲取某一個分類的結果（最大概率值即為預測結果）
print('單圖各標簽的概率：', classification[0])
result = np.argmax(classification[0])

3、顯示預測結果

# 顯示結果
print('預測結果：', result)
print('真實結果：', test_labels[0])
plt.imshow(test_images[0])

八、防止過擬合

在訓練的過程中，不希望出現過擬合的情況。

設置誤差小于0.4的時候停止訓練。?

# 定義終止訓練的函數，myCallback這個類繼承了tf.keras.callbacks.Callback
class myCallback(tf.keras.callbacks.Callback):def on_epoch_end(self,epoch,logs={}):if(logs.get('loss')<0.4):         #損失小于0.4時終止訓練print('\loss is low so cancelling training!')self.model.stop_training = True

# 5-2、訓練
model.fit(training_images, training_labels, epochs=5, callbacks=[myCallback()])
#         訓練特征集        訓練目標集        執行5次    回調函數

防止過擬合。?

總代碼

import tensorflow as tf
print(tf.__version__)# 1、獲取Fashion Mnist數據集
mnist = tf.keras.datasets.fashion_mnist
# print(mnist)# 2、加載數據集
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
# 查看數據集
# import matplotlib.pyplot as plt
# print(training_images)
# print(training_labels)
# print(test_images)
# print(test_labels)
# plt.imshow(training_images[0])# 3、數據歸一化
training_images  = training_images / 255.0
test_images = test_images / 255.0
# print(training_images)
# print(test_images)# 4、設計神經網絡模型（分類）
# 定義終止訓練的函數，myCallback這個類繼承了tf.keras.callbacks.Callback
class myCallback(tf.keras.callbacks.Callback):def on_epoch_end(self,epoch,logs={}):if(logs.get('loss')<0.4):         #損失小于0.4時終止訓練print('\loss is low so cancelling training!')self.model.stop_training = Truemodel = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),                      #輸入層tf.keras.layers.Dense(128, activation=tf.nn.relu), #隱藏層              神經元數量  激活函數tf.keras.layers.Dense(10, activation=tf.nn.softmax)])#輸出層               輸出特征數量  激活函數
model.build((None,90, 7))
model.summary()# 5、編譯&&訓練
# 5-1、編譯
model.compile(optimizer = tf.optimizers.Adam(), loss = 'sparse_categorical_crossentropy', metrics=['accuracy'])
#     編譯    優化器                             損失函數  交叉熵損失函數               監控
# 優化器：Adam優化算法（尋找全局最優點）
# 損失函數：交叉熵損失函數（用來評估當前訓練得到的概率分布與真實分布的差異情況）# 5-2、訓練
model.fit(training_images, training_labels, epochs=5, callbacks=[myCallback()])
#         訓練特征集        訓練目標集        執行5次    回調函數# 6、模型評估
model.evaluate(test_images, test_labels)# 7、模型預測
import numpy as np
import matplotlib.pyplot as plt
# 預測單圖片
# 1、得到全部分類預測
classification = model.predict(test_images)
# 2、獲取某一個分類的結果（最大概率值即為預測結果）
print('單圖各標簽的概率：', classification[0])
result = np.argmax(classification[0])
# 顯示結果
print('預測結果：', result)
print('真實結果：', test_labels[0])
plt.imshow(test_images[0])

總結

以上是生活随笔為你收集整理的TensorFlow（6）神经网络训练（DNN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。