如何在 Python 中使用 TensorFlow 构建 Fashion MNIST 数据集的模型?
Tensorflow 是 Google 提供的一个机器学习框架。它是一个开源框架,与 Python 结合使用以实现算法、深度学习应用程序等等。它用于研究和生产目的。
可以使用以下代码行在 Windows 上安装“tensorflow”包:
pip install tensorflow
张量是 TensorFlow 中使用的一种数据结构。它有助于连接流图中的边。此流图称为“数据流图”。张量只不过是多维数组或列表。
“Fashion MNIST”数据集包含各种服装的图像。它包含超过 70,000 件属于 10 个不同类别的服装的灰度图像。这些图像是低分辨率的(28 x 28 像素)。我们正在使用 Google Colaboratory 来运行以下代码。
Google Colab 或 Colaboratory 帮助通过浏览器运行 Python 代码,无需任何配置即可免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
以下是使用 Python 为 Fashion MNIST 数据集构建模型的代码片段:
示例
model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10) ]) print("Sequential model is being built") model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) print("Sequential model is being compiled")
代码来源 − https://tensorflowcn.cn/tutorials/keras/classification
输出
Sequential model is being built Sequential model is being compiled
Learn Python in-depth with real-world projects through our Python certification course. Enroll and become a certified expert to boost your career.
解释
模型中的层已配置。
层是神经网络的基本构建块,它从作为输入数据提供给层的的数据中提取表示。
许多简单的层组合在一起。
某些层还具有参数,这些参数在训练阶段调整以达到最佳值。
第一层“Flatten”将图像从 2D 转换为 1D 数组。
此层没有任何需要学习的参数。
像素展平后,将构建两个“Dense”层,其中每个密集层具有 128 个神经元。最后一层返回一个长度为 10 的 logits 数组。
每个神经元/节点包含一个值,该值是分数,表示图像属于哪个类别。
然后编译模型。