数据载入

import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasetsos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'(x, y), (x_val, y_val) = datasets.mnist.load_data()    # train and test
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.   # normalize （broadcasting）
y = tf.convert_to_tensor(y, dtype=tf.int32)
y = tf.one_hot(y, depth=10)
print(x.shape, y.shape)   # (60000, 28, 28) (60000, 10)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
train_dataset = train_dataset.batch(200)   # setting batch# for step, (x, y) in enumerate(train_dataset):
#     print (step, x.shape, y.shape)

0 (200, 28, 28) (200, 10)
1 (200, 28, 28) (200, 10)
2 (200, 28, 28) (200, 10)
3 (200, 28, 28) (200, 10)
4 (200, 28, 28) (200, 10)
5 (200, 28, 28) (200, 10)
6 (200, 28, 28) (200, 10)
......
295 (200, 28, 28) (200, 10)
296 (200, 28, 28) (200, 10)
297 (200, 28, 28) (200, 10)
298 (200, 28, 28) (200, 10)
299 (200, 28, 28) (200, 10)

搭建全连接网络

out=relu{relu{relu{x@w1+b1}@w2+b2}@w3+b3}out = relu\{relu\{relu\{x@w_1+b_1\}@w_2+b_2\}@w_3+b_3\}out=relu{relu{relu{x@w1+b1}@w2+b2}@w3+b3}

model = keras.Sequential([layers.Dense(512, activation='relu'),layers.Dense(256, activation='relu'),layers.Dense(10)])optimizer = optimizers.SGD(learning_rate=0.001)

计算输出和 Loss

with tf.GradientTape() as tape:
# [b, 28, 28] => [b, 784]x = tf.reshape(x, (-1, 28 * 28))# Step1. compute output# [b, 784] => [b, 10]out = model(x)# Step2. compute lossloss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]

计算梯度与回传

# Step3. optimize and update w1, w2, w3, b1, b2, b3
grads = tape.gradient(loss, model.trainable_variables)
# w' = w - lr * grad
optimizer.apply_gradients(zip(grads, model.trainable_variables))

Loop

def train_epoch(epoch):# Step4.loopfor step, (x, y) in enumerate(train_dataset):with tf.GradientTape() as tape:# [b, 28, 28] => [b, 784]x = tf.reshape(x, (-1, 28 * 28))# Step1. compute output# [b, 784] => [b, 10]out = model(x)# Step2. compute lossloss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]# Step3. optimize and update w1, w2, w3, b1, b2, b3grads = tape.gradient(loss, model.trainable_variables)# w' = w - lr * gradoptimizer.apply_gradients(zip(grads, model.trainable_variables))if step % 100 == 0:print(epoch, step, 'loss:', loss.numpy())

完整代码

import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasetsos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'(x, y), (x_val, y_val) = datasets.mnist.load_data()
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)
y = tf.one_hot(y, depth=10)
print(x.shape, y.shape)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
train_dataset = train_dataset.batch(200)model = keras.Sequential([layers.Dense(512, activation='relu'),layers.Dense(256, activation='relu'),layers.Dense(10)])optimizer = optimizers.SGD(learning_rate=0.001)def train_epoch(epoch):# Step4.loopfor step, (x, y) in enumerate(train_dataset):with tf.GradientTape() as tape:# [b, 28, 28] => [b, 784]x = tf.reshape(x, (-1, 28 * 28))# Step1. compute output# [b, 784] => [b, 10]out = model(x)# Step2. compute lossloss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]# Step3. optimize and update w1, w2, w3, b1, b2, b3grads = tape.gradient(loss, model.trainable_variables)# w' = w - lr * gradoptimizer.apply_gradients(zip(grads, model.trainable_variables))if step % 100 == 0:print(epoch, step, 'loss:', loss.numpy())def train():for epoch in range(30):train_epoch(epoch)if __name__ == '__main__':train()

tensorflow 2.0 实战-Minst相关推荐

资源|2019 年 11 月最新《TensorFlow 2.0 深度学习算法实战》中文版教材免费开源（附随书代码+pdf）...
点击上方"AI遇见机器学习",选择"星标"公众号重磅干货,第一时间送 2019 年 10 月,谷歌正式宣布,开源机器学习库 TensorFlow 2.0 现在 ...
400页《TensorFlow 2.0 深度学习算法实战》中文版教材免费下载（附随书代码+pdf）...
Tensorflow自谷歌提出以来就成为最受欢迎的深度学习框架之一,到目前为止也已经被下载超过 4000 万次.其中TensorFlow2.0更是修复之前非常多的不人性的特性,备大家欢迎. 今天给大家 ...
基于TensorFlow 2.0的中文深度学习开源书来了！GitHub趋势日榜第一，斩获2K+星
十三发自凹非寺量子位报道 | 公众号 QbitAI TensorFlow 2.0 发布已有一个半月之久,你会用了吗? 近日,一个叫做深度学习开源书的项目在火了.GitHub趋势日榜排名全球第 ...
深度学习实战—基于TensorFlow 2.0的人工智能开发应用
作者:辛大奇著出版社:中国水利水电出版社品牌:智博尚书出版时间:2020-10-01 深度学习实战-基于TensorFlow 2.0的人工智能开发应用
TensorFlow 2.0深度学习案例实战
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 基于TensorFlow 2.0正式版, 理论与实战结合,非常适合入门学习! 这是一本面向人工 ...
第五章：Tensorflow 2.0 利用十三层卷积神经网络实现cifar 100训练（理论+实战）
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/LQ_qing/article/deta ...
官方 | TensorFlow 2.0分布式训练教程
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|计算机视觉联盟总览 tf.distribute.Stra ...
TensorFlow 2.0+Keras 防坑指南
2019独角兽企业重金招聘Python工程师标准>>> TensorFlow 2.0是对1.x版本做了一次大的瘦身,Eager Execution默认开启,并且使用Keras作为默认 ...
TensorFlow 2.0不好用？会了是“真香”！
记得 TensorFlow 2.0 刚发布时,一票开发者都在疯狂吐槽:官方文档不好找,bug 没有及时修复和更新等等.尽管上线这么久,仍有大量开发者不愿从 1.x 升级,或从别的框架迁移过来. 事实上 ...

tensorflow 2.0 实战-Minst

2. 手写字体识别

数据载入

搭建全连接网络

计算输出和 Loss

计算梯度与回传

Loop

完整代码

tensorflow 2.0 实战-Minst相关推荐

最新文章

热门文章