tensorflow Notizen 1_ Eintrag Fall

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) #