网站开发语言选择,网站建设喀什,一级a做爰片免费网站中国片,最简 wordpress主题模型架构 具有10个神经元#xff0c;对应10个类别#xff08;0-9的数字#xff09;。使用softmax激活函数#xff0c;对多分类问题进行概率归一化。输出层 (Dense):具有64个神经元。激活函数为ReLU。全连接层 (Dense):将二维数据展平成一维#xff0c;为全连接层做准备。展… 模型架构 具有10个神经元对应10个类别0-9的数字。使用softmax激活函数对多分类问题进行概率归一化。输出层 (Dense):具有64个神经元。激活函数为ReLU。全连接层 (Dense):将二维数据展平成一维为全连接层做准备。展平层 (Flatten):第三层卷积层有64个过滤器。使用3x3的卷积核。激活函数为ReLU。卷积层 (Conv2D):池化大小为2x2。最大池化层 (MaxPooling2D):第二层卷积层有64个过滤器。使用3x3的卷积核。激活函数为ReLU。卷积层 (Conv2D):池化大小为2x2。通过池化操作减小特征图的尺寸同时保留最重要的信息。最大池化层 (MaxPooling2D):第一层卷积层有32个过滤器filters。使用3x3的卷积核。激活函数为ReLU。输入形状为28x28的单通道图像黑白图像。卷积层 (Conv2D): import tensorflow as tffrom tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist# 载入 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) mnist.load_data()# 数据预处理
train_images train_images.reshape((60000, 28, 28, 1)).astype(float32) / 255
test_images test_images.reshape((10000, 28, 28, 1)).astype(float32) / 255train_labels tf.keras.utils.to_categorical(train_labels)
test_labels tf.keras.utils.to_categorical(test_labels)# 构建神经网络模型
model models.Sequential([# 第一层卷积层layers.Conv2D(32, (3, 3), activationrelu, input_shape(28, 28, 1)),# 第二层最大池化层layers.MaxPooling2D((2, 2)),# 第三层卷积层layers.Conv2D(64, (3, 3), activationrelu),# 第四层最大池化层layers.MaxPooling2D((2, 2)),# 第五层卷积层layers.Conv2D(64, (3, 3), activationrelu),# 将二维数据展平成一维layers.Flatten(),# 第六层全连接层密集层64个神经元ReLU激活函数layers.Dense(64, activationrelu),# 输出层全连接层10个神经元对应10个类别0-9的数字使用softmax激活函数layers.Dense(10, activationsoftmax)
])# 编译模型
model.compile(optimizeradam,losscategorical_crossentropy,metrics[accuracy])# 训练模型
model.fit(train_images, train_labels, epochs5, batch_size64, validation_split0.2)# 在测试集上评估模型
test_loss, test_acc model.evaluate(test_images, test_labels)
print(fTest accuracy: {test_acc}) 编译模型
model.compile( optimizer, # 优化器用于配置模型的学习过程。常见的有 adam、sgd 等。loss, # 损失函数用于衡量模型在训练时的性能。常见的有 categorical_crossentropy、mse 等。 metricsNone # 评估指标用于监控训练和测试性能。可以是一个字符串或字符串列表。例如accuracy。)
optimizer优化器:
优化器决定了模型如何进行参数更新以最小化损失函数。常见的优化器包括 adam、sgd、rmsprop 等。不同的优化器可能适用于不同类型的问题。
loss损失函数:
损失函数用于衡量模型在训练时的性能即模型预测与实际标签之间的差异。对于不同的问题需要选择合适的损失函数。例如对于分类问题常见的是 categorical_crossentropy而对于回归问题可能是 mse均方误差。
metrics评估指标:
评估指标用于监控模型的性能。在训练和测试过程中会输出这些指标的值。例如accuracy 表示模型的准确性。你可以传递一个字符串或一个字符串列表以同时监控多个指标。
