技術標籤：tesorflow入門實操

tensoflow入門實操計算機視覺介紹

import tensorflow as tf
from tensorflow import keras
fashion_mnist = keras.datasets.fashion_mnist#匯入資料集
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

print(train_images.shape)#60000張，每張28*28
import matplotlib.pyplot as plt
plt.
 
imshow(train_images[0])

#全連線網路模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape = (28,28)),
    keras.layers.Dense(128,activation=tf.nn.relu),
    keras.layers.Dense(10,activation = tf.nn.softmax)
    
])
#model = keras.Sequential()
#model.add(keras.layers.Flatten(input_shape=(28,28)))
 

#model.add(keras.layer.Dense(128,activation =tf.nn.relu))
#model.add(keras.layer.Dense(10,activation= tf.nn.softmax))


model.summary()#100480  784畫素*128神經元=100352（因為輸入層和中間層每層都有一個bias，加上就是100480）
#1290 = （128+1）*10

#Adam()一種經常使用的優化辦法
#train_label[0] = 9，使用sparse_categorical_crossentropy作為損失函式，若[0,0,0,0,0,0,0,0,0,0,0,1]（稱為ont-hot）則使用categorical_crossentropy作為損失函式
 

model.compile(optimizer = tf.optimizers.Adam(),loss = tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5)

#為了提高模型精確度，可以通過對原始資料進行歸一化處理再進行模型擬合
train_images = train_images/255
model.compile(optimizer = tf.optimizers.Adam(),loss = tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5)

#評估模型
test_images_scaled = test_images/255
model.evaluate(test_images_scaled,test_labels)

#預測
#教程中沒有加reshape,會報錯
model.predict([[test_images[0].reshape(1,28,28,1)/255]])

神經元網路不是訓練越多越好，越多的話會出現過擬合，也就是說對所有訓練圖片識別很好，但對新圖片識別很差，可以通過對測試LOSS和訓練LOSS進行對比，出現分叉即過擬合，tensorflow中通過callback類進行判斷及時終止訓練