首页 / 神经网络 / TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)

TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7787字，纯文字阅读大概需要12分钟。

内容图文

TensorFlow2.0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.Sequent([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

kernel_regularizer可选: tf.keras.regularizers.l1()、tf.keras.regularizers.l2()
卷积层： tf.keras.layers.Conv2D(filters = 卷积核个数, kernel_size = 卷积核尺寸, strides = 卷积步长， padding = " valid" or "same")
LSTM层： tf.keras.layers.LSTM()

model.compile(optimizer = 优化器, loss = 损失函数, metrics = [“准确率”] )

Optimizer可选:
‘sgd’ or tf.keras.optimizers.SGD (lr=学习率,momentum=动量参数)
‘adagrad’ or tf.keras.optimizers.Adagrad (lr=学习率)
‘adadelta’ or tf.keras.optimizers.Adadelta (lr=学习率)
‘adam’ or tf.keras.optimizers.Adam (lr=学习率, beta_1=0.9, beta_2=0.999)
loss可选:
‘mse’ or tf.keras.losses.MeanSquaredError()
‘sparse_categorical_crossentropy’ or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
Metrics可选:
‘accuracy’ ：y_和y都是数值，如y_=[1] y=[1]
‘categorical_accuracy’ ：y_和y都是独热码(概率分布)，如y_=[0,1,0] y=[0.256,0.695,0.048]
‘sparse_categorical_accuracy’ ：y_是数值，y是独热码(概率分布),如y_=[1] y=[0.256,0.695,0.048]

model.fit ()执行训练过程

model.fit (训练集的输入特征, 训练集的标签, batch_size= , epochs= , validation_data=(测试集的输入特征，测试集的标签), validation_split=从训练集划分多少比例给测试集, validation_freq = 多少次epoch测试一次)

model.summary（）

打印网络的结构和参数统计

例如鸢尾花分类问题

技术分享图片

鸢尾花问题使用六步法复现

        # 1.import
import tensorflow as tf
from sklearn import datasets
import numpy as np

# train,test
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

# 3.model.Sequential
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation=‘softmax‘, kernel_regularizer=tf.keras.regularizers.l2())
])

# 4.model.compile
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

# 5.model.fit
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)

# 6.model.summary
model.summary()

使用class类

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
class MyModel(Model) model=MyModel,（Sequential无法写出带有跳连的非顺序神经网络）
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

使用class类封装一个神经网络结构

_init_( ) 定义所需网络结构块
call( ) 写出前向传播

        ###############################
class MyModel(Model):
	def __init__(self):
		super(MyModel, self).__init__()
		定义网络结构块
	def call(self, x):
		调用网络结构块，实现前向传播
		return y
model = MyModel()
###############################

class IrisModel(Model):
	def __init__(self):
		super(IrisModel, self).__init__()
		self.d1 = Dense(3)
	def call(self, x):
		y = self.d1(x)
		return y
model = IrisModel()

鸢尾花问题使用六步法复现

        # 1.import
import tensorflow as tf
from sklearn import datasets
######
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
######
import numpy as np

# train,test
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

###### 3.class MyModel ######
class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        self.d1 = Dense(3, activation=‘sigmoid‘, kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        y = self.d1(x)
        return y
model = IrisModel()

# 4.model.compile
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

# 5.model.fit
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)

# 6.model.summary
model.summary()

打印结果：
技术分享图片

MNIST数据集：

介绍

Yann LeCun
提供 6万张 28*28 像素点的0~9手写数字图片和标签，用于训练。
提供 1万张 28*28 像素点的0~9手写数字图片和标签，用于测试。

技术分享图片

导入MNIST数据集：

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

数据处理
作为输入特征，输入神经网络时，将数据拉伸为一维数组：
tf.keras.layers.Flatten( )
[0 0 0 48 238 252 252 …… …… …… 253 186 12 0 0 0 0 0]
查看数据集

        plt.imshow(x_train[0], cmap=‘gray‘)#绘制灰度图
plt.show()

技术分享图片

        print("x_train[0]:\n", x_train[0])

技术分享图片

        print("y_train[0]:", y_train[0])

技术分享图片

        # 打印出整个训练集输入特征形状
print("x_train.shape:\n", x_train.shape)
# 打印出整个训练集标签的形状
print("y_train.shape:\n", y_train.shape)
# 打印出整个测试集输入特征的形状
print("x_test.shape:\n", x_test.shape)
# 打印出整个测试集标签的形状
print("y_test.shape:\n", y_test.shape)

技术分享图片

使用Sequential实现手写字体识别

        import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=‘relu‘),
    tf.keras.layers.Dense(10, activation=‘softmax‘)
])

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

技术分享图片

使用class MyModel实现手写字体识别

        import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0


class MnistModel(Model):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = Flatten()
        self.d1 = Dense(128, activation=‘relu‘)
        self.d2 = Dense(10, activation=‘softmax‘)

    def call(self, x):
        x = self.flatten(x)
        x = self.d1(x)
        y = self.d2(x)
        return y


model = MnistModel()

model.compile(optimizer=‘adam‘,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[‘sparse_categorical_accuracy‘])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

技术分享图片

FASHINO数据集

提供 6万张 28*28 像素点的衣裤等图片和标签，用于训练。
提供 1万张 28*28 像素点的衣裤等图片和标签，用于测试。

技术分享图片

导入数据集

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

使用Sequential实现手写字体识别

        import tensorflow as tf

fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion.load_data()
x_train, x_test = x_train/255.0, x_test/255.0

model=tf.keras.models.Sequential([
	tf.keras.layers.Flatten(),
	tf.keras.layers.Dense(128,activation="relu"),
	tf.keras.layers.Dense(10,activation="softmax")
])

model.compile(optimizer="adam",
				loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False),
				metrics = [‘sparse_categorical_accuracy‘])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test,y_test), validation_freq=1)

model.summary()

技术分享图片

使用class MyModel实现手写字体识别

        import tensorflow as tf
from tensorflow.keras.layers import Dense,Flatten
from tensorflow.keras import Model

fashion=tf.keras.datasets.fashion_mnist
(x_train,y_train),(x_test, y_test)=fashion.load_data()
x_train, x_test=x_train/255.0,x_test/255.0

class FashionModel(Model):
	def __init__(self):
		super(FashionModel, self).__init__()
		self.flatten=Flatten()
		self.d1=Dense(128,activation="relu")
		self.d2=Dense(10,activation="softmax")
	
	def call(self,x):
		x=self.flatten(x)
		x=self.d1(x)
		y=self.d2(x)
		return y

model = FashionModel()

model.compile(optimizer="adam",
				loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
				metrics=["sparse_categorical_accuracy"])
model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1)
model.summary()

技术分享图片

原文：https://www.cnblogs.com/moonspace/p/13005435.html

内容总结

以上是互联网集市为您收集整理的TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)全部内容，希望文章能够帮你解决TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1181445.html

来源：【匿名】

【上一篇】漫谈机器学习经典算法—人工神经网络【下一篇】怎样用Python实现两层神经网络和感知器模型

更多 ►

【TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)】教程文章相关的互联网学习教程文章

TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)【代码】【图】

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...

前馈神经网络练习：使用tensorflow进行葡萄酒种类识别【代码】【图】

数据处理样本数据描述样本数据集是double类型的178 * 14矩阵，第一列表示酒所属类别，后面13列分别表示当前样本的13个属性：1) Alcohol2) Malic acid3) Ash4) Alcalinity of ash 5) Magnesium6) Total phenols7) Flavanoids8) Nonflavanoid phenols9) Proanthocyanins10) Color intensity11) Hue12) OD280/OD315 of diluted wines13) Proline数据预处理将文件内容读入矩阵，由于标签有三类，分别是1、2、3，于是进行二进制化。由于...

tensorflow1.0 构建卷积神经网络【代码】

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import os os.environ["CUDA_DEVICE_ORDER"] = "0,1"mnist = input_data.read_data_sets("MNIST_data",one_hot=True)def compute_accuracy(v_xs,v_ys):global predictiony_pre = sess.run(prediction,feed_dict ={xs:v_xs,keep_prob:1})correct_predicton = tf.equal(tf.argmax(y_pre,1),tf.argmax(v_ys,1))accuracy = tf.reduce_mean(tf.cas...

Python之TensorFlow的卷积神经网络-5【代码】【图】

一、卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, S...

深度神经网络可解释性方法汇总，附 Tensorflow 代码实现【图】

深度神经网络可解释性方法汇总，附 Tensorflow 代码实现知识库 ? 小白学CV ? 于 10个月前 ? 2076 阅读理解神经网络：人们一直觉得深度学习可解释性较弱。然而，理解神经网络的研究一直也没有停止过，本文就来介绍几种神经网络的可解释性方法，并配有能够在Jupyter下运行的代码链接。 1.Activation Maximization通过激活最化来解释深度神经网络的方法一共有两种，具体如下：1.1 Activation Maximization (AM)相关代码如下：https:...

tensorflow神经网络拟合非线性函数【代码】【图】

本实验通过建立一个含有两个隐含层的BP神经网络，拟合具有二次函数非线性关系的方程，并通过可视化展现学习到的拟合曲线，同时随机给定输入值，输出预测值，最后给出一些关键的提示。源代码如下：# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np import matplotlib.pyplot as pltplotdata = { "batchsize":[], "loss":[] } def moving_average(a, w=11):if len(a) < w: return a[:] return [val if idx < w...

tensorflow 神经网络模型概览；熟悉Eager 模式；【图】

典型神经网络模型：（图片来源：https://github.com/madalinabuzau/tensorflow-eager-tutorials）保持更新，更多内容请关注 cnblogs.com/xuyaowen;原文：https://www.cnblogs.com/xuyaowen/p/tensorflow-nn-Eager.html

tensorflow学习之（七）使用tensorboard 展示神经网络的graph/histogram/scalar【代码】【图】

# 创建神经网络，使用tensorboard 展示graph/histogram/scalarimport tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 若没有 pip install matplotlib# 定义一个神经层def add_layer(inputs, in_size, out_size,n_layer, activation_function=None):#add one more layer and return the output of this layerlayer_name="layer%s"%n_layerwith tf.name_scope(layer_name):with tf.name_scope(‘Weights‘...

跟我学算法- tensorflow 卷积神经网络训练验证码【代码】

使用captcha.image.Image 生成随机验证码，随机生成的验证码为0到9的数字，验证码有4位数字组成,这是一个自己生成验证码，自己不断训练的模型使用三层卷积层，三层池化层，二层全连接层来进行组合第一步：定义生成随机验证码图片number = [‘0‘,‘1‘,‘2‘,‘3‘,‘4‘,‘5‘,‘6‘,‘7‘,‘8‘,‘9‘] # alphabet = [‘a‘,‘b‘,‘c‘,‘d‘,‘e‘,‘f‘,‘g‘,‘h‘,‘i‘,‘j‘,‘k‘,‘l‘,‘m‘,‘n‘,‘o‘,‘p‘,‘q‘,‘...

吴裕雄 python 神经网络——TensorFlow实现AlexNet模型处理手写数字识别MNIST数据集【代码】【图】

import tensorflow as tf# 输入数据from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("E:\\MNIST_data", one_hot=True)# 定义网络的超参数 learning_rate = 0.001 training_iters = 200000 batch_size = 128 display_step = 5# 定义网络的参数 # 输入的维度 (img shape: 28*28) n_input = 784 # 标记的维度 (0-9 digits) n_classes = 10 # Dropout的概率，输出的可能性 dropout = ...

基于TensorFlow框架实现人工神经网络完成手写数字识别任务【多测师】【代码】【图】

使用人工神经网络完成手写数字识别任务。具体要求如下：（1）batch_size和step_num自定义，把loss值打印出来。（2）神经网络的层数、节点数目、激活函数自定义。（记录心得）（3）使用tensorboard把计算图显示出来。一、初始数据如下：batch_size=64lr = 0.01 #学习率step_num = 6000 #计算6000次计算的神经元层数是3层使用的是随机梯度下降算法 tf.train.GradientDescentOptimizer()计算出来的准确度为：0.717 二、参数调优过程...

吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow：使用自动编解码网络实现黑白图片上色【代码】【图】

加载cifar10图片集并准备将图片进行灰度化 from keras.datasets import cifar10def rgb2gray(rgb):#把彩色图转化为灰度图，如果当前像素点为[r,g,b],那么对应的灰度点为0.299*r+0.587*g+0.114*breturn np.dot(rgb[...,:3], [0.299, 0.587, 0.114])(x_train, _),(x_test, _) = cifar10.load_data()img_rows = x_train.shape[1] img_cols = x_train.shape[2] channels = x_train.shape[3]#将100张彩色原图集合在一起显示 imgs = x_t...

吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow：RNN-具有记忆功能的神经网络【代码】【图】

from keras.layers import SimpleRNN model = Sequential() model.add(embedding_layer) model.add(SimpleRNN(32)) #当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值 model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accurac...

吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow：LSTM网络层详解及其应用【代码】【图】

from keras.layers import LSTM model = Sequential() model.add(embedding_layer) model.add(LSTM(32)) #当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值 model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accuracy]) histor...

吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow：RNN和CNN混合的鸡尾酒疗法提升网络运行效率【代码】【图】

from keras.layers import model = Sequential() model.add(embedding_layer) #使用一维卷积网络切割输入数据，参数5表示每各个单词作为切割小段 model.add(layers.Conv1D(32, 5, activation=relu)) #参数3表示，上层传下来的数据中，从每3个数值中抽取最大值 model.add(layers.MaxPooling1D(3)) #添加一个有记忆性的GRU层，其原理与LSTM相同，运行速度更快，准确率有所降低 model.add(layers.GRU(32, dropout=0.1))model.add(lay...

首页 / 神经网络 / TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)

TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)

内容导读

内容图文

用TensorFlow API：tf.keras搭建网络

使用Sequential

六步法：

model = tf.keras.models.Sequent([网络结构])

model.compile(optimizer = 优化器, loss = 损失函数, metrics = [“准确率”] )

model.fit ()执行训练过程

model.summary（）

鸢尾花问题使用六步法复现

使用class类

六步法：

使用class类封装一个神经网络结构

MNIST数据集：

介绍

使用Sequential实现手写字体识别

使用class MyModel实现手写字体识别

FASHINO数据集

使用Sequential实现手写字体识别

使用class MyModel实现手写字体识别

内容总结

内容备注

内容手机端

【TensorFlow2.0入门学习笔记(10)——使用keras搭建神经网络(Mnist,Fashion)】教程文章相关的互联网学习教程文章

TENSORFLOW - 相关标签

学习笔记 - 相关标签

入门 - 相关标签

神经网络 - 最新教程

神经网络 - 最热教程