Este es un sitio web oficial de inscripción de los casos, el número de reconocimiento de escritura 1-9.
Cargar conjunto de datos mnist
importación tensorflow como tf minist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = minist.load_data ()
A continuación se informa de un error
load_data es para descargar datos en los servidores de Google, por lo que no se puede acceder, a continuación, se parece a una Rom escuela.
Usted puede ir en línea para encontrar un mnist.npz descargado en el local.
vuelva a grabar
path = ' C: / Usuarios /.../ Documentos / código PY / mnist.npz ' (x_train, y_train), (x_test, y_test) = minist.load_data (ruta de acceso)
En él.
Importación tensorflow AS TF minist = tf.keras.datasets.mnist ruta = ' C: / Documents /.../ los usuarios / código PY / 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 # capas modelo de red neuronal se apilan, y seleccionar la pérdida de la función de entrenamiento óptimo. = Modelo tf.keras.Sequential ([ tf.keras.layers.Flatten (input_shape = (28, 28 )), tf.keras.layers.Dense ( 128, Activación = ' RELU ' ), tf.keras.layers.Dropout ( 0.2), # tasa de abandono, generalmente después de varias capas para evitar exceso de montaje tf.keras.layers.Dense (10, Activación = ' SoftMax ' ) ]) model.compile (Optimizador = ' ADAM ' , # optimizador, estimación adaptativa momento, la tasa de aprendizaje cambiará cada generación Pérdida = ' sparse_categorical_crossentropy ' , # clasificación entropía escasa cruz métricas = [ ' exactitud ' ] # criterios de evaluación, de precisión ) model.fit (x_train, y_train, épocas =. 5 ) model.evaluate (x_test, android.permission.FACTOR., verbosa = 2) #
