当前位置: 首页 > news >正文

phpcms仿行业网站圣都装饰

phpcms仿行业网站,圣都装饰,中国最大跨境电商平台,长沙 外贸网站建设公司一、数据集 MNIST数据集是从NIST的两个手写数字数据集#xff1a;Special Database 3 和Special Database 1中分别取出部分图像#xff0c;并经过一些图像处理后得到的[参考]。 MNIST数据集共有70000张图像#xff0c;其中训练集60000张#xff0c;测试集10000张。所有图…一、数据集 MNIST数据集是从NIST的两个手写数字数据集Special Database 3 和Special Database 1中分别取出部分图像并经过一些图像处理后得到的[参考]。 MNIST数据集共有70000张图像其中训练集60000张测试集10000张。所有图像都是28×28的灰度图像每张图像包含一个手写数字。   1.1 准备数据 将数据集分为训练集、验证集和测试集  #训练集有60000张图片,前5000张图片作为验证集后55000作为训练集 1. x_train_all 和 y_train_all    - x_train_all 包含了完整的训练数据集的图像数据这些图像用于训练深度学习模型。    - y_train_all 包含了完整的训练数据集的标签即与 x_train_all 中的图像相对应的类别标签。 2. x_test 和 y_test    - x_test 包含了测试数据集的图像数据这些图像用于评估深度学习模型的性能。    - y_test 包含了测试数据集的标签即与 x_test 中的图像相对应的类别标签。 from tensorflow import keras import tensorflow as tf import numpy as np import pandas as pd import matplotlib.pyplot as pltfashion_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:] y_valid, y_train y_train_all[:5000], y_train_all[5000:]print(x_valid.shape, y_valid.shape) print(x_train.shape, y_train.shape) print(x_test.shape, y_test.shape) 1.2 标准化 # 标准化 from sklearn.preprocessing import StandardScalerscaler StandardScaler() x_train_scaled scaler.fit_transform(x_train.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28, 1) x_valid_scaled scaler.transform(x_valid.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28, 1)x_test_scaled scaler.transform(x_test.astype(np.float32).reshape(-1, 1)).reshape(-1, 28, 28, 1) 1.3 数据集 def make_dataset(data, target, epochs, batch_size, shuffleTrue):dataset tf.data.Dataset.from_tensor_slices((data, target))if shuffle:dataset dataset.shuffle(10000)dataset dataset.repeat(epochs).batch(batch_size).prefetch(50)return datasetbatch_size 64 epochs 20 train_dataset make_dataset(x_train_scaled, y_train, epochs, batch_size) 1.4 搭建模型 model keras.models.Sequential() # 卷积 model.add(keras.layers.Conv2D(filters 32, kernel_size 3, padding same,activationrelu,# batch_size, height, width, channelsinput_shape(28, 28, 1))) # (28, 28, 32)model.add(keras.layers.Conv2D(filters 32, kernel_size 3, padding same,activationrelu)) # 池化 model.add(keras.layers.MaxPool2D()) # (14, 14, 32)model.add(keras.layers.Conv2D(filters 64, kernel_size 3, padding same,activationrelu)) # (14, 14, 64) model.add(keras.layers.Conv2D(filters 64, kernel_size 3, padding same,activationrelu)) # 池化 model.add(keras.layers.MaxPool2D()) # (7, 7, 64) model.add(keras.layers.Conv2D(filters 128, kernel_size 3, padding same,activationrelu)) # (7, 7, 128) model.add(keras.layers.Conv2D(filters 128, kernel_size 3, padding same,activationrelu)) # (7, 7, 128) # 池化, 向下取整 model.add(keras.layers.MaxPooling2D()) # (3, 3, 128)model.add(keras.layers.Flatten()) model.add(keras.layers.Dense(512, activationrelu)) model.add(keras.layers.Dense(256, activationrelu)) model.add(keras.layers.Dense(10, activationsoftmax))model.compile(losssparse_categorical_crossentropy,optimizeradam,metrics[accuracy])print(model.summary()) keras.models.Sequential()是使用 Keras 构建神经网络模型的开始。keras.models.Sequential() 创建了一个 Sequential 模型对象这是 Keras 中的一种常见模型类型。Sequential 模型是一个线性的、层叠的神经网络模型适用于顺序层的堆叠其中每一层都是依次添加到模型中。 一旦创建了 Sequential 模型你可以使用 .add() 方法来逐层添加神经网络层从输入层到输出层。每个层都可以通过实例化 Keras 中的层类来创建例如 keras.layers.Dense 用于全连接层 keras.layers.Conv2D 用于卷积层等。 以下是一个简单的例子演示如何使用 Sequential 模型创建一个简单的前馈神经网络 from tensorflow import keras# 创建一个 Sequential 模型 model keras.models.Sequential()# 添加输入层和第一个隐藏层 model.add(keras.layers.Input(shape(input_shape,)))  # 输入层input_shape 根据你的数据维度定义 model.add(keras.layers.Dense(units128, activationrelu))  # 隐藏层1# 添加第二个隐藏层 model.add(keras.layers.Dense(units64, activationrelu))  # 隐藏层2# 添加输出层 model.add(keras.layers.Dense(unitsnum_classes, activationsoftmax))  # 输出层num_classes 是输出类别的数量# 编译模型 model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy]) 上面的代码创建了一个具有两个隐藏层和一个输出层的前馈神经网络模型并使用了 ReLU 激活函数和 softmax 激活函数。这只是一个简单的示例你可以根据你的任务和数据来构建更复杂的模型。一旦模型构建完成你可以使用 .fit() 方法来训练模型。 model.compile(losssparse_categorical_crossentropy, optimizeradam, metrics[accuracy]) 是 Keras 中用于编译深度学习模型的代码它设置了模型的损失函数、优化器和评估指标。让我为你解释每个参数的含义 - losssparse_categorical_crossentropy: 这里设置了模型的损失函数。sparse_categorical_crossentropy 是一种用于多类别分类问题的损失函数。它适用于目标变量是整数形式类别标签的情况而不需要将目标变量进行独热编码one-hot encoding。模型的目标是最小化这个损失函数从而使预测结果尽可能接近真实标签。 - optimizeradam: 这里设置了优化器用于模型的参数更新。adam 是一种常用的优化算法它基于梯度下降的方法具有自适应学习率和动量的特性通常在深度学习中表现良好。优化器的作用是最小化损失函数从而调整模型的权重和参数以使模型更好地拟合数据。 - metrics[accuracy]: 这里设置了评估指标用于在模型训练期间监测模型性能。 [accuracy] 表示模型在训练期间将计算并输出准确度accuracy即正确分类的样本数与总样本数的比率。准确度通常用于分类问题的性能评估。 一旦模型编译完成你可以使用 model.fit() 方法来训练模型该方法会使用上述设置的损失函数、优化器和评估指标来进行训练。例如 python model.fit(x_train, y_train, epochs10, validation_data(x_valid, y_valid)) 1.5 train eval_dataset make_dataset(x_valid_scaled, y_valid, epochs1, batch_size32, shuffleFalse)history model.fit(train_dataset, steps_per_epochx_train_scaled.shape[0] // batch_size,epochs10,validation_dataeval_dataset) 1.6 模型评估 model.evaluate(eval_dataset) 1.7 可视化 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)
http://wiki.neutronadmin.com/news/314205/

相关文章:

  • 网站建设可自学吗wap网站开发教材
  • 合肥企业网站笔记 发布 wordpress
  • 东莞做网站 汇卓网络服务合同
  • 网站首页导航代码较便宜的网站建设
  • 蔚县网站建设哪些网站可以接兼职做
  • 一个网站建设初期的成本wordpress vip
  • 安阳网站建设设计个人微信小店怎么开通
  • 手机微网站怎么制作的线上名片制作
  • 自己做的网站显示不安全怎么回事平度推广网站建设
  • 成都网站设计与制作网站域名查询官网
  • 中小企业服务中心网站建设加工平台网站
  • 一台电脑如何做网站广州骏域网站建设专家 V
  • 公司建站系统template是什么意思
  • 个人网站做哪种类型网站蜘蛛来访记录
  • 手机网站设计图尺寸做农家乐网站
  • 青岛一品网站建设青岛网络优化费用
  • 凡科建站快车官网无锡网站优化公司
  • dnf制裁做任务网站哈尔滨网站建设优化
  • 怎么做网站的动效网站建设设计风格如何与色彩搭配
  • 怎样注册网站帐号申请自己的服务器如何做网站
  • 苏州淘宝网站建设徐州网站建设大前端
  • 淄博知名的做网站推广河北核酸检测
  • 做网站软件图标是一个箭头的合肥三只羊网络科技有限公司
  • php网站怎么做自适应淮南政务
  • 什么是网络营销?网络营销与传统营销相比有哪些特点?大连百度推广优化
  • 建设网站技术标准去除wordpress rss图标
  • 新闻发布网站如果做wordpress oa插件下载
  • ie常用网站设置设计素材网站无版权
  • 上海php做网站莱州网页设计公司
  • python做网站实例网页设计作品要求