【TensorFlow实战|TensorFlow实战之softmax多分类】
文章目录
- 前言
- 一、Keras的mnist数据集
- 二、建立sequential顺序model
-
- 2.绘图结果和测试结果
- 三、网络容量和优化
- 总结
前言 Keras是TensorFlow2.X的一个实现库,很多模型基于Keras搭建
一、Keras的mnist数据集 mnist数据集是KerasAPI公开的数据集,是(28,28)的图像数据集
二、建立sequential顺序model 对于分类问题必须使用softmax作为输出层的激活函数;如果每一个实例的每个类都有一个目标概率,即使用one—hot编码,在loss的设置时使用categorical_crossentropy;而下面的代码是基于稀疏标签(每个类只有一个目标类索引),并且类间互斥,则设置loss="sparse_categorical_crossentropy"
import numpy as np
import tensorflow as tf
from tensorflow import keras
import pandas as pd
import matplotlib.pyplot as plt
print(tf.__version__)
print(keras.__version__)# 加载数据集
fashion_mnist = keras.datasets.fashion_mnist
(X_train_full, y_train_full), (X_test, Y_test)=fashion_mnist.load_data()
# 查看训练集的形状和数据类型
print(X_train_full.shape, X_train_full.dtype)
# 比例缩放和像素强度降低到0-1,创建一个验证集
X_valid, X_train = X_train_full[:5000]/255.0, X_train_full[5000:]/255.0
Y_valid, Y_train = y_train_full[:5000], y_train_full[5000:]
# 设置类名列表
class_names=["T_shirt/top", "Trouser", "Pullover", "Dress", "Coat", "Sandal", "shirt","Sneaker"
, "Bag", "Anlle boot"]
# 查看第一幅图
print(class_names[Y_train[0]])# 搭建网络模型
model = tf.keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))# 输出十个概率分布,看属于哪一个
model.compile(loss="sparse_categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
history=model.fit(X_train, Y_train, epochs=5, validation_data=https://www.it610.com/article/(X_valid,Y_valid))
#print(history)# 绘制history曲线
pd.DataFrame(history.history).plot(figsize=(8,5))
plt.grid(True)
plt.gca().set_ylim(0,1)
plt.show()# 在测试集上测试
print(model.evaluate(X_test, Y_test))
#仅使用测试集的前三个例子
X_new=X_test[:3]
Y_proba= model.predict(X_new)
print(Y_proba.round(2))
y_pre=model.predict(X_new)
print(y_pre)
2.绘图结果和测试结果 绘制准确率和验证集上的准确率
文章图片
测试集的准确率和前三个例子的测试结果(输出的是10个类别的所属概率)
文章图片
如果使用独热编码作为数据的输入,loss应该设置为如下参数,并且对于优化器的选择,可以选择Keras自带的优化器Adam,lr是学习速率,可以人工设置的超参数,但是如果不设置则默认为0,01。
文章图片
三、网络容量和优化
文章图片
增加层会比增加神经元更能提高网络拟合能力。
文章图片
使用dropout解决过拟合,类似取平均的作用
文章图片
文章图片
文章图片
再调节超参数。
构建网络的原则
文章图片
总结 重新搭建TensorFlow的gpu环境,从Keras开始学习神经网络,欢迎指正。
推荐阅读
- tensorflow|四. softmax多分类
- Keras|五 softmax多分类实例
- python|Python 有哪些好玩的语法糖()
- python|zabbix(设置企业微信告警(python3脚本))
- python|Python爬虫某音乐平台的热门栏目音频数据
- python|【python】我用python抓取了19个一线城市三年的房价数据,并做了走势分析
- pycharm|SyntaxError: unexpected character after line continuation character
- 多模态融合|多模态融合
- 计算机视觉|基于Paddle的计算机视觉入门教程——第2讲 计算机视觉的分类