标签：dn 图像识别 keras 卷积 activation train model yt mnist

# author: Roy.G
# author: Roy.G
# author: Roy.G

from keras.datasets import mnist
import matplotlib.pyplot as plt
from keras.utils.np_utils import to_categorical  #import to_categorical
import numpy as np
from keras.models import Sequential as sq
from keras.layers import Dense as dn
import tensorflow as tf
import os
# os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"
# os.environ["CUDA_VISIBLE_DEVICES"]="0"


(x_train,y_train),(xt,yt)=mnist.load_data()
# plt.imshow(x_train[9,:,:],cmap='gray')  #绘制图片
# plt.show()
# print(y_train[9])

x_train=x_train.reshape(60000,784)/255
xt=xt.reshape(10000,784)/255
y_train=to_categorical(y_train,10)  # 将输入转换为one hot 格式的数据
yt=to_categorical(yt,10)
print(yt,type(yt))
# 1. 建立模型
model = sq()
# 2.建立神经元
# dense = dn(units=2,activation='sigmoid',input_dim=1)
# 3.将神经元加入模型
model.add(dn(units=256,activation='relu',input_dim=784))
model.add(dn(units=256,activation='relu'))
model.add(dn(units=256,activation='relu'))
model.add(dn(units=10,activation='softmax'))  #softmax,是一种分类器
# 4. 编译模型
model.compile(loss='categorical_crossentropy',optimizer=tf.keras.optimizers.SGD(0.05),metrics=['accuracy'])
# loss=代价函数，sgd=随机梯度下降算法，metrics=['accuracy],categorical_crossentropy'=交叉商函数
#
model.fit(x_train,y_train,epochs=50,batch_size=1024)  #batch_size=每次训练所使用的样本数量
#5. 验证模型
loss,accuracy=model.evaluate(xt,yt)

# 6.训练模型
pres=model.predict(x_train)
# plot_utils.show_scatter_surface(x,y,model)
mg=model.get_weights()
print(mg)
print('envaluate',loss,accuracy)

标签：dn,图像识别,keras,卷积,activation,train,model,yt,mnist
来源： https://www.cnblogs.com/ttm6489/p/15914400.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。