tensorflow2.0 深度学习与入门实践日月光华学习笔记

线性回归

详情见link.

多层感知器(神经网络)

import tensorflow as tf
import pandas as pd# 提取数据
data = pd.read_csv('/..../tfb.csv')
x = data.iloc[:,0:-1]
y = data.iloc[:,-1]#建立顺序模型
#Dense(输出,输入,激励函数)
model = tf.keras.Sequential([tf.keras.layers.Dense(10, input_shape=(3,), activation = 'relu'),tf.keras.layers.Dense(1)])
#model.summary  显示模型结构
#配置优化器,损失函数
model.compile(optimizer='adam'loss='mse')
#自定义学习效率
#model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01))#训练模型
model.fit(x,y,epochs=100)#预测
test = data.iloc[:10,1:-1]
model.predict(test)

逻辑回归

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt#数据提取
data = pd.read_csv('/..../tfb.csv')
x = data.iloc[:,:-1]
y = data.iloc[:,-1].replace(-1,0)#-1替换为0#建立顺序模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4,input_shape=(15,),activation='relu'))
model.add(tf.keras.layers.Dense(4,activation='relu'))
model.add(tf.keras.layers.Dense(1,activation='sigmold'))#配置优化器,损失函数
model.compile(optimizer='adam'loss='binary_crossentropy',metrics =['acc'])# 训练模型
history = model.fit(x,y,epochs=100)#loss以及acc图形绘制
plt.plot(history.epoch,history.history['loss'])
plt.plot(history.epoch,history.history['acc'])
plt.show()

softmax分类

import tensorflow as tf
import numpy as np
import  pandas as pd
import matplotlib.pyplot as plt(train_image,train_lable),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()
#train_image.shape 显示数据形状
#plt.imshow(train_image[0])  #显示第一张图片#数据归一化
train_image = train_image/255
test_image = test_image/255#建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))#降维
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))#使用Dropout防止过拟合
model.add(tf.keras.layers.Dense(10,activation='softmax'))#配置优化器,损失函数
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])#顺序编码转变独热编码
#train_lable_onehot = tf.keras.utils.to_catagorical(train_label)
#test_lable_onehot = tf.keras.utils.to_catagorical(test_label)
#model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['acc'])#训练模型
model.fit(train_image,train_lable,epochs=5)
#添加训练中的acc和loss值
#model.fit(train_image,train_lable,epochs=5,validation_data=(test_image,test_lable))#评价模型
model.evaluate(test_image,test_label)#预测
predict = model.predict(test_image)
#具体到某一个
np.argmax(predict[0])#预测标签
test_image[0]#实际标签

tensorflow2.0 深度学习与入门实践日月光华学习笔记相关推荐

Tensorflow2.0深度学习入门与实战（日月光华）（学习总结1）
Tensorflow2.0深度学习入门与实战(学习总结1) 我是刚学的,网易云课堂跟着日月光华老师,现在对每节课的学习课程做一下记录,总结,仅仅作为总结. 1.使用快捷键 shift+enter执行代 ...
aidl使用_Android-Service学习鸭-入门实践-远程服务(bindService方式-AIDL)
延续上一篇MonkeyLei:Android-Service学习鸭-入门实践-本地服务(bindService方式) ,我接着实践下远程服务的使用(有个疑问先搁这,远程服务到底有哪些使用场景?). 不 ...
tensorflow2.0教程- Keras 快速入门
tensorflow2.0教程-tensorflow.keras 快速入门 Tensorflow 2.0 教程持续更新: https://blog.csdn.net/qq_31456593/artic ...
人工智能、机器学习、深度学习从入门到进阶学习资料整理
最近整理了下在这里分享给大家,欢迎大家点赞收藏. 学习社区神力AI(MANA):国内最大的AI代码平台. Learn AI:一个AI学习交流中心. AI研习社:一个专注于AI开发者和学术青年求知求职 ...
python自学需要哪些基础知识-零基础学Python应该学习哪些入门知识及学习步骤安排...
众所周知,Python以优雅.简洁著称,入行门槛低,可以从事Linux运维.Python Web网站工程师.Python自动化测试.数据分析.人工智能等职位!就目前来看,Python岗位人才缺口高达4 ...
python自学步骤-零基础学Python应该学习哪些入门知识及学习步骤安排
众所周知,Python以优雅.简洁著称,入行门槛低,可以从事Linux运维.Python Web网站工程师.Python自动化测试.数据分析.人工智能等职位!就目前来看,Python岗位人才缺口高达4 ...
学python需要什么基础-零基础学Python应该学习哪些入门知识及学习步骤安排
众所周知,Python以优雅.简洁著称,入行门槛低,可以从事Linux运维.Python Web网站工程师.Python自动化测试.数据分析.人工智能等职位!就目前来看,Python岗位人才缺口高达4 ...
“Tensorflow2.0深度学习从零开始学”真的从零开始？
首先,这是一个书评,不是一个问题的回答. "从零开始","从小白到精通"一类的书籍从名字上本是一个好的意思,带人入门,一个不粗的出发点.本世纪初的时候还好,但是 ...
基于tensorflow2.0实现猫狗大战（搭建网络迁移学习）
猫狗大战是kaggle平台上的一个比赛,用于实现猫和狗的二分类问题.最近在学卷积神经网络,所以自己动手搭建了几层网络进行训练,然后利用迁移学习把别人训练好的模型直接应用于猫狗分类这个数据集,比较一下实 ...

tensorflow2.0 深度学习与入门实践日月光华学习笔记

线性回归

多层感知器(神经网络)

逻辑回归

softmax分类

tensorflow2.0 深度学习与入门实践日月光华学习笔记相关推荐

最新文章

热门文章

tensorflow2.0 深度学习与入门实践 日月光华 学习笔记

线性回归

多层感知器(神经网络)

逻辑回归

softmax分类

tensorflow2.0 深度学习与入门实践 日月光华 学习笔记相关推荐

最新文章

热门文章

tensorflow2.0 深度学习与入门实践日月光华学习笔记

tensorflow2.0 深度学习与入门实践日月光华学习笔记相关推荐