every blog every motto: talk is cheap , show me your code

0. 前言

一起学习，共同进步！
本专栏主要记录为主，部分代码讲解后续完善。

本节实战fashion_mnist 数据集。

1. 代码部分

1. 导入模块

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import kerasprint(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:print(module.__name__,module.__version__)

2. 读取数据

读取fashion_mnist 的数据集。

fashion_mnist = keras.datasets.fashion_mnist
# print(fashion_mnist)
(x_train_all,y_train_all),(x_test,y_test) = fashion_mnist.load_data()
x_valid,x_train = x_train_all[:5000],x_train_all[5000:]
y_valid,y_train = y_train_all[:5000],y_train_all[5000:]
# 打印格式
print(x_valid.shape,y_valid.shape)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)

3. 展示数据

展示第一张图片

# 显示图片示例
def show_single_image(img_arr):plt.imshow(img_arr,cmap='binary')plt.show()show_single_image(x_train[0])

展示多张图片

# 显示多张图片
def show_imgs(n_rows,n_cols,x_data,y_data,class_names):assert len(x_data) == len(y_data)assert n_rows * n_cols < len(x_data)plt.figure(figsize = (n_cols * 1.4,n_rows * 1.6))for row in range(n_rows):for col in range(n_cols):index = n_cols*row + colplt.subplot(n_rows,n_cols,index+1)plt.imshow(x_data[index],cmap="binary",interpolation = 'nearest')plt.axis('off')plt.title(class_names[y_data[index]])plt.show()class_names = ['T-shirt','Trouser','pullover','Dress','Coat','Sandal','Shirt','Sneaker','Bag','Ankle boot']show_imgs(3,5,x_train,y_train,class_names)

4. 构建模型

4.1 创建对象

4.1.1 创建对象（方法一）

# tf.keras.models.Sequential()
# 构建模型# 创建对象
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28,28]))
model.add(keras.layers.Dense(300,activation='sigmoid'))
model.add(keras.layers.Dense(100,activation='sigmoid'))
model.add(keras.layers.Dense(10,activation='softmax'))

4.1.2 创建对象（方法二）

# 另一种写法
model = keras.modells.Sequential([keras.layers.Flatten(input_shape=[28,28]),keras.layers.Dense(300,activation='sigmoid'),keras.layers.Dense(100,activation='sigmoid'),keras.layers.Dense(10,activation='softmax')
])

4.2 编译

#
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])

5. 显示模型相关参数

5.1 显示层

model.layers

5.2 显示概括

# 概况
model.summary()

6. 开始训练

history = model.fit(x_train,y_train,epochs=10,validation_data=(x_valid,y_valid))

7. 结果展示

7.1 显示history

type(history)

7.2 显示history.history

history.history

7.3 画出损失函数和accury

# 画图
def plot_learning_curves(history):pd.DataFrame(history.history).plot(figsize=(8,5))plt.grid(True)plt.gca().set_ylim(0,1)plt.show()
plot_learning_curves(history)

从零基础入门Tensorflow2.0 ----一、1.1 实战分类模型（fashion_mnsit数据集，数据读取与展示）相关推荐

视频编码零基础入门（0）：零基础，史上最通俗视频编码技术入门
[来源申明]本文引用了微信公众号"鲜枣课堂"的<视频编码零基础入门>文章内容.为了更好的内容呈现,即时通讯网在引用和收录时内容有改动,转载时请注明原文来源信息,尊重原作 ...
【天池赛事】零基础入门语义分割-地表建筑物识别 Task5：模型训练与验证
[天池赛事]零基础入门语义分割-地表建筑物识别 Task1:赛题理解与 baseline(3 天) – 学习主题:理解赛题内容解题流程 – 学习内容:赛题理解.数据读取.比赛 baseline 构建 ...
TensorFlow2.0(二)--Keras构建神经网络分类模型
Keras构建分类模型 1. tf.keras简介 2. 利用tf.keras构建神经网络分类模型 2.1 导入相应的库 2.2 数据读取与展示 2.3 数据归一化 2.4 构建模型 2.5 模型的编 ...
零基础入门天池NLP赛事之——新闻文本分类（5）
基于深度学习的文本分类一.学习目标: 学习Word2Vec的使用和基础原理学习使用TextCNN.TextRNN进行文本表示学习使用HAN网络结构完成文本分类二.文本表示方法 Part3: 词 ...
黑客零基础入门教程：「黑客攻防实战从入门到精通(第二版)」堪称黑客入门天花板
前言您知道在每天上网时,有多少黑客正在浏览您计算机中的重要数据吗﹖黑客工具的肆意传播,使得即使是稍有点计算机基础的人,就可以使用简单的工具对网络中一些疏于防范的主机进行攻击,在入侵成功之后,对其中的 ...
零基础入门--中文命名实体识别（BiLSTM+CRF模型，含代码）
https://github.com/mali19064/LSTM-CRF-pytorch-faster 中文分词说到命名实体抽取,先要了解一下基于字标注的中文分词. 比如一句话 "我爱北 ...
Task04——零基础入门NLP - 基于深度学习的文本分类1
学习目标学习fasttext使用和基本原理学会使用验证集进行调参
阿里云天池学习赛-零基础入门数据分析-学术前沿趋势分析(task1)
阿里云天池学习赛零基础入门数据分析-学术前沿趋势分析前言一.赛题描述及数据说明 1:数据集的格式如下: 2:数据集格式举例: 二.task1论文数量统计(数据统计任务):统计2019年全年,计算机 ...
书籍推荐：零基础入门学习Python
零基础入门学习Python pdf下载所属网站分类: 资源下载 > python电子书作者:goodbody 链接: http://www.pythonheidong.com/blog/ar ...
0基础能学漫画么？漫画零基础入门教程！
漫画零基础入门教程!很多人都喜欢看动漫,同时也会幻想成为动漫里的主角,与此同时也会诞生学漫画的想法.不论是你真的想学习漫画,又或出于个人爱好,或职业需要,或为了具备一项自己喜欢的看家本领.我们都要先清 ...

从零基础入门Tensorflow2.0 ----一、1.1 实战分类模型（fashion_mnsit数据集，数据读取与展示）

0. 前言

1. 代码部分

1. 导入模块

2. 读取数据

3. 展示数据

4. 构建模型

4.1 创建对象

4.1.1 创建对象（方法一）

4.1.2 创建对象（方法二）

4.2 编译

5. 显示模型相关参数

5.1 显示层

5.2 显示概括

6. 开始训练

7. 结果展示

7.1 显示history

7.2 显示history.history

7.3 画出损失函数和accury

从零基础入门Tensorflow2.0 ----一、1.1 实战分类模型（fashion_mnsit数据集，数据读取与展示）相关推荐

最新文章

热门文章