TensorFlow2 notebook: Class3 神经网络搭建八股,用"六步法", 不到20行代码, 写出手写数字识别训练模型.

In summary

搭建神经网络八股sequential

  • 6步法搭建神经网络(也是提纲):
    • 3.1.1 用TensorFlow API: tf.keras搭建网络八股
      • import
        • 所需模块
    • 3.1.2 指定train和test的特征以及标签(也可以将test数据集在第5步fit中指定)
    • 3.1.3 model = tf.keras.models.Sequential
      • Sequential([一个封装从输入层到输出层网络结构的容器])中执行
      • 搭建网络结构, 逐层网络进行描述，equal前向传播
    • 3.1.4 model.compile，配置神经网络的训练方法
      • compile()中执行
      • 所选optimizer优化器
      • 所选loss函数
      • 所选metrics评测指标, acc
    • 3.1.5 model.fit()
      • fit()中执行
      • train, test的输入特征和标签
      • 选定每次喂入神经网络的batch_size数目
      • 选定epochs数目
      • validation_split
      • validation_freq: 多少次epoch测试集验证一次准确率
    • 3.1.6 model.summary
      • summary()中执行
      • 打印网络结构和参数统计

搭建神经网络八股class

  • 带有跳连的非顺序网络结构
    • class MyModel(Model) model=MyModel 进行封装
    • class MyModel(Model)
      • 括号中的Model继承了TensorFlow中的Model类
      • def init(self): super(MyModel, self).init(),定义网络结构块
      • def call(self,x): 调用网络结构块，实现前向传播 return y
    • model = MyModel()

MNIST数据集

  • 像素点灰度值数据
  • 由7万张(28x28) 像素点的0~9手写数字图片和标签构成, 其中
    • 6万张作为训练集
    • 1万张作为测试集
  • 导入数据集
1
2

mnist = tf.keras.datasets.mnist
(x_train, y_train) , (x_test, y_test) = mnist.load_data()
  • 将数据拉伸为一维数组(共计28x28=784个数值), 作为输入特征，输入神经网络

FASHION数据集

  • 像素点灰度值数据
  • 由7万张(28x28) 像素点的衣裤图片和标签构成, 其中
    • 6万张作为训练集
    • 1万张作为测试集
  • 标签Label, 有10类: 0 T-shirt/top 1 Trouser 2 Pullover 3 Dress 4 Coat 5 Sandal 6 Shirt 7 Sneaker 8 Bag 9 Ankle boot
  • 导入数据集
1
2

fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train) , (x_test, y_test) = fashion.load_data()
  • 将数据拉伸为一维数组(共计28x28=784个数值), 作为输入特征，输入神经网络

Attach is the file of TensorFlow2class3.ipynb, or view it via the link.

Show me the code

fig4

fig5