TensorFlow2.0 实战1分类问题

1.导入需要用到的包：

import tensorflow as tf
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
from tensorflow import keras

2.导入数据集
从库中导入全部数据集和测试集，并将全部数据集分成验证集和训练集，其中训练集有5000个，测试集10000个，训练集55000个

fashion_mnist=keras.datasets.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:]#验证集5000个
y_valid,y_train=y_train_all[:5000],y_train_all[5000:]

#打印训练集，测试集，验证集维度
#print(x_train.shape,y_train.shape)
##print（x_valid.shape,y_valid.shape)
#print(x_test.shape,y_test.shape)
#打印一张照片
def show_single_image(img_arr):
     plt.imshow(img_arr,cmap='binary')
     plt.show()
show_single_image(x_train[1])

在这里插入图片描述

3.建立模型
Sequential 模型结构：层（layers）的线性堆栈。简单来说，它是一个简单的线性结构，没有多余分支，是多个网络层的堆叠。

#模型建立 
model=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'))#softmax  将向量变成概率分布

4.模型编译和训练
如果 targets 是 one-hot 编码，用 categorical_crossentropy
　　one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]
如果tagets 是数字编码，用 sparse_categorical_crossentropy
　　数字编码：2, 0, 1

#编译模型
model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
#print(model.layers)
#print(model.summary())


#训练模型
history=model.fit(x_train,y_train,epochs=10,
                  validation_data=(x_valid,y_valid))

5.画图显示训练过程及结果

#绘图观察训练过程和结果
def plot_learning_curves(history):
    pd.DataFrame(history.history).plot(figsize=(8,5))#history.history是字典
    plt.grid=(True)
    plt.gca().set_ylim(0,1)#设置y轴坐标范围
    plt.show()
plot_learning_curves(history)

在这里插入图片描述
loss,val_loss下降
accuracy,val_accuracy上升

来源：CSDN

作者：让时间来沉淀吧

链接：https://blog.csdn.net/qq_34488912/article/details/103792595

标签

history