标签：吴恩达 categorical training --- tf test crossentropy images tensorflow

tensorflow---识别图像特征

解决：确定一张图是否是鞋子

 1 import matplotlib.pyplot as plt
 2 import tensorflow as tf
 3 #加载数据
 4 mnist=tf.keras.datasets.fashion_mnist
 5 (training_images,training_lable),(test_images,test_lable)=mnist.load_data()
 6 #查看图片和数据
 7 plt.imshow(training_images[42])
 8 print(training_lable[42])
 9 print(training_images[42])
10 #标准化
11 training_images=training_images/255.0
12 test_images=test_images/255.0
13 #构建网络模型，自定义网络层
14 model=tf.keras.models.Sequential([tf.keras.layers.Flatten(),
15                                  tf.keras.layers.Dense(128,activation=tf.nn.relu),
16                                  tf.keras.layers.Dense(10,activation=tf.nn.softmax)])
17 model.compile(optimizer='Adam',loss='sparse_categorical_crossentropy')
18 model.fit(training_images,training_lable,epochs=100)
19 #准确率
20 model.evaluate(test_images,test_lable)

注：

1、categorical_crossentropy loss（交叉熵损失函数）

　　交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况。

　　它刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近，不确定性越小，

　　准确率越高。

　　categorical_crossentropy 和 sparse_categorical_crossentropy 的区别

　　如果你的 targets 是 one-hot 编码，用 categorical_crossentropy

　　　　one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]

　　如果你的 tagets 是 数字编码 ，用 sparse_categorical_crossentropy

　　　　数字编码：2, 0, 1

2、Adam（自适应梯度下降法）

　　一种优化方式

 

附notebook_jupyter运行步骤结果：

 

 

 

 

 

 

 

 

标签：吴恩达,categorical,training,---,tf,test,crossentropy,images,tensorflow
来源： https://www.cnblogs.com/forest128/p/13850052.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。