importación tensorflow como tf importación tensorflow.keras como Keras importación matplotlib.pyplot como plt importación pandas como pd # 加载数据 fasion_mnist = keras.datasets.fashion_mnist (X_train_all, y_train_all), (X_test, y_test) = fasion_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 :] # 构建模型 modelo = keras.Sequential ([ keras.layers.Flatten (input_shape = [28, 28 ] ), keras.layers.Dense ( 300, la activación =' Sigmoide ' ), keras.layers.Dense ( 100, la activación = ' sigmoide ' ), keras.layers.Dense ( 10, activación = ' sigmoide ' ) ]) model.compile (optimizador = ' sgd ' , pérdida = ' sparse_categorical_crossentropy 'las métricas = [ ' exactitud ' ]) historia = model.fit (x = X_train, y = y_train, épocas = 10, validation_data = (X_valid, y_valid)) de impresión (historia) # 画出训练结果 pd.DataFrame (history.history) .PLOT () plt.show ()
Si esa etiqueta qué modelo es un índice de la categoría,
pérdida = 'sparse_categorical_crossentropy'
Si el modelo de etiqueta es un vector representa la probabilidad de pertenencia a cada clase,
de pérdida = 'categorical_crossentropy'
se puede considerar un escaso añadido después de la etiqueta ha sido one_hot codifica y