every blog every motto:

0. 前言

计算图的构建，模型训练

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

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)

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

3. 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)

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

4. 计算图

hidden_units = [100,100]
class_num = 10x = tf.placeholder(tf.float32,[None,28*28])
y = tf.placeholder(tf.int64,[None])
# 隐藏层
input_for_next_layer = x
for hidden_unit in hidden_units:input_for_next_layer = tf.layers.dense(input_for_next_layer,hidden_unit,activation=tf.nn.relu)# 输出层
logits = tf.layers.dense(input_for_next_layer,class_num)
# last_hidden_output * w(logits) -> softmax -> pro
# 1. logit -> softmax -> prob
# 2. labels -> ont_hot
# 3. calculate cross entropy
loss = tf.losses.sparse_softmax_cross_entropy(labels=y,logits=logits)# get accuracy
prediction = tf.argmax(logits,1)
correct_prediction = tf.equal(prediction,y)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float64))# 训练
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)

print(x)
print(logits)

5. 开始训练

# sessioninit = tf.global_variables_initializer()
batch_size = 20
epochs = 10
train_steps_per_epoch = x_train.shape[0] // batch_size
valid_steps = x_valid.shape[0] // batch_sizedef eval_with_sess(sess,x,y,accuracy,images,labels,batch_size):eval_steps = images.shape[0] // batch_sizeeval_accuracies = []for step in range(eval_steps):batch_data = images[step * batch_size : (step+1)*(batch_size)]batch_label = labels[step * batch_size: (step + 1)*batch_size]accuracy_val = sess.run(accuracy,feed_dict = {x:batch_data,y:batch_label})eval_accuracies.append(accuracy_val)return np.mean(eval_accuracies)with tf.Session() as sess:sess.run(init)for epoch in range(epochs):for step in range(train_steps_per_epoch):batch_data = x_train_scaled[step*batch_size:(step + 1)*(batch_size)]batch_label = y_train[step*batch_size:(step+1)*batch_size]
#             print(batch_label.shape)
#             print(batch_data.shape)loss_val,accuracy_val,_ = sess.run([loss,accuracy,train_op],feed_dict = {x:batch_data,y:batch_label})print('\r[Train] epoch: %d,step: %d,loss:%3.5f,accuracy: %2.2f'%(epoch,step,loss_val,accuracy_val),end='')valid_accuracy = eval_with_sess(sess,x,y,accuracy,x_valid_scaled,y_valid,batch_size)print('\t[valid] acc : % 2.2f'%(valid_accuracy))

从零基础入门Tensorflow2.0 ----五、23TF1.0计算图构建,模型训练相关推荐

【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 ...
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 ...
Apache Flink 零基础入门（十五）Flink DataStream编程（如何自定义DataSource）
数据源可以通过StreamExecutionEnvironment.addSource(sourceFunction)方式来创建,Flink也提供了一些内置的数据源方便使用,例如readTextFil ...
【转】Dynamics CRM 365零基础入门学习（五）权限管理
一:安全角色 Microsoft Dynamics 365中的安全角色是各种实体的特权和访问级别矩阵. 它们根据其功能分组在不同的选项卡下. 这些组包括:核心记录,营销,销售,服务,业务管理,服务管理 ...
python和循环语句_Python 小白零基础入门 -- 条件语句和循环语句
Python 小白零基础入门 -- 条件语句和循环语句点击上方 "Python 读数", 选择 "星标" 公众号重磅干货, 第一时间送达 Python 零基 ...
【学习记录】Python零基础入门（五）
第五章 Python零基础入门之条件.循环及其他语句本人自学的主要教材为Magnus Lie Hetland的Beginning Python:From Novice to Professional ...
sql数据库教程百度云_绘画自学零基础入门教程|五天学会绘画pdf百度云下载！...
绘画自学零基础入门教程|五天学会绘画pdf百度云下载!画画是可以让人留存记忆的事情.我自己就很喜欢画画来记录生活中一些特别的日子.场景还有我的家人朋友们.有时候,比照片更有故事感和纪念意义-有空拿出来 ...
零基础入门转录组分析——第五章（表达定量）
零基础入门转录组分析--第五章(表达定量) 目录零基础入门转录组分析--第五章(表达定量) 1. 序列比对结果的复查 2. 表达定量 3. 提取有效信息 4. 合并多个样本定量结果 5. 进一步修改 ...
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 ...
五万字15张导图Java自学路线，小白零基础入门，程序员进阶，收藏这篇就够了
本文收录于<技术专家修炼> 文中配套资料合集路线导图高清源文件点击跳转到文末点击底部卡片回复「资料」领取哈喽,大家好,我是一条~ 最近粉丝问我有没有Java自学路线,有了方向才能按图 ...

从零基础入门Tensorflow2.0 ----五、23TF1.0计算图构建,模型训练

0. 前言

1. 代码部分

1. 导入模块

2. 读取数据

3. 数据归一化

4. 计算图

5. 开始训练

从零基础入门Tensorflow2.0 ----五、23TF1.0计算图构建,模型训练相关推荐

最新文章

热门文章