every blog every motto: The unexamined life is not worth living

0. 前言

续上节。实战fashion_mnist数据集，数据归一化。

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. 读取数据与查看

2.1 读取数据

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)

2.1 查看数据最大最小值

print(np.max(x_train),np.min(x_train))

3. 数据归一化与验证

3.1 数据归一化

# 数据归一化
from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
# x_train:[None,28,28] -> [None,784]
x_train_scaled = scaler.fit_transform(x_train.astype(np.float32).reshape(-1,1)).reshape(-1,28,28)
x_valid_scaled = scaler.transform(x_valid.astype(np.float32).reshape(-1,1)).reshape(-1,28,28)
x_test_scaled = scaler.transform(x_test.astype(np.float32).reshape(-1,1)).reshape(-1,28,28)

3. 2查看归一化后的最大最小值

print(np.max(x_train_scaled),np.min(x_train_scaled))

4. 模型搭建

# 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'))"""# 另一种写法
model = keras.models.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')
])#
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])

5. 开始训练

# 开始训练
history = model.fit(x_train_scaled,y_train,epochs=10,validation_data=(x_valid_scaled,y_valid))

6. 结果展示

# 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)

7. 测试集上

model.evaluate(x_test_scaled,y_test)

从零基础入门Tensorflow2.0 ----一、1.2 实战分类模型（数据归一化）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 ...
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 ...
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 ...
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
SpringBoot零基础入门指南--搭建Springboot然后能够在浏览器返回数据
File->new Project 修改默认包名,根据自己的喜好修改选择初始化需要导入的包,尽量不要一开始就导入很多,特别是数据库,不然启动可能会有问题,创建好的目录如下: 配置文件写在app ...
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、1.2 实战分类模型（数据归一化）

0. 前言

1. 代码部分

1. 导入模块

2. 读取数据与查看

2.1 读取数据

2.1 查看数据最大最小值

3. 数据归一化与验证

3.1 数据归一化

3. 2查看归一化后的最大最小值

4. 模型搭建

5. 开始训练

6. 结果展示

7. 测试集上

从零基础入门Tensorflow2.0 ----一、1.2 实战分类模型（数据归一化）相关推荐

最新文章

热门文章