Dies ist eine Entry-Level-Fall offizielle Website, die Zahl der Handschrifterkennung 1-9.
Laden mnist Datensatz
import tensorflow als tf Minist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = minist.load_data ()
Dann wird ein Fehler gemeldet
load_data ist zu Download von Daten auf den Google-Servern, so dass Sie nicht zugreifen können, wie eine Schule Rom aussieht.
Sie können online gehen, um eine mnist.npz zum lokalen Download zu finden.
dann umschreiben
path = ' C: / Users /.../ Dokumente / PY - Code / mnist.npz ' (x_train, y_train), (x_test, y_test) = minist.load_data (Pfad)
Auf ihn.
Import tensorflow AS TF Minist = tf.keras.datasets.mnist Pfad = ' C: / Dokumente /.../ Benutzer / PY - Code / mnist.npz ' (x_train, y_train), (. X_test, android.permission.FACTOR) = minist.load_data ( path) x_train, x_test = x_train / 255,0, x_test / 255,0 # Neuronalnetzwerkmodell Schichten gestapelt sind, und wählen Sie den Funktionsverlust optimale Ausbildung. = Modell tf.keras.Sequential ([ tf.keras.layers.Flatten (input_shape = (28, 28 )), tf.keras.layers.Dense ( 128, Activation = ' RELU ' ), tf.keras.layers.Dropout ( 0,2), # Dropout - Rate, in der Regel nach mehreren Schichten verhindern Überanpassung tf.keras.layers.Dense (10, Activation = ' SoftMax ' ) ]) model.compile (Optimizer = ' ADAM ' , # Optimierer, adaptive Momentenschätzung, wird die Lernrate jeder Generation ändern Loss = ' sparse_categorical_crossentropy ' , # sparse Kreuzentropie Klassifikationsmetriken = [ ' Genauigkeit ' ] # Bewertungskriterien, Genauigkeit ) model.fit (x_train, y_train, Epochen =. 5 ) model.evaluate (x_test, android.permission.FACTOR., ausführliche = 2) #