Uso tf.keras.model.Sequential construir un modelo de clasificación

A: Uso tf.keras.model.Sequential construir un modelo de clasificación incluye siete pasos:

1. módulo de importación de paquetes
2. Carga de un conjunto de datos (utilizado paquete aquí keras.datasets.fashion_mnist)
3. formación segmentación y conjuntos de validación
4. La normalización de datos
5. Construir un modelo de clasificación
6. entrenador
7. El modelo se aplica a la unidad de prueba

II: importación de paquetes

Habrá un aprendizaje automático de importación de una sola vez de utilizar la biblioteca con frecuencia.

1  importación numpy como np
 2  importación pandas como pd
 3  importación matplotlib como mpl
 4  importación matplotlib.pyplot como plt
 5  importación sklearn
 6  importación tensorflow como tf
 7  de importación tensorflow.keras como Keras

 

 

Imprimir información sobre la biblioteca

1  para módulo en np, pd, mpl, sklearn, tf, Keras:
 2  　　de impresión (. Módulo __name__ , módulo. __Version__ )

 

Tres: conjunto de datos de carga

Como se usa en este documento, los Keras que lleva el conjunto de datos para identificar los datos de imagen

1 fashion_mnist = keras.datasets.fashion_mnist
 2 (x_train_all, y_train_all), (x_test, y_test) = fashion_mnist.load_data ()

Antes de procesar los datos, hay que mirar los datos en el conjunto de datos de muestra, se definen dos funciones para ver lo que el conjunto de datos de imágenes

1  # función -definida, ver figura 
2  DEF show_single_img (img_arr):
 . 3      plt.imshow (img_arr, CMap = ' binario ' )
 . 4      plt.show ()
 . 5 show_single_img (x_train_all [0])

 

Mostrando resultados:

1  # funciones de visualización -definida, varias filas y columnas de imagen. N_ROWS pantalla x_data antes de que las imágenes * n_cols 
2  DEF show_images (N_ROWS, n_cols, x_data, y_data, ClassFNames):
 . 3      Assert len (x_data) == len (y_data) # es el número de datos de imagen a ser ajustado y el número de su categoría mismo 
. 4      Assert N_ROWS n_cols * <len (x_data) # cantidad de datos que se muestra debe ser menor que la cantidad de datos en el conjunto de datos 
5.      plt.figure (figsize = (* N_ROWS para 1,5, durante 1,5 n_cols * ))
 6.      para Fila en Rango (N_ROWS):
 . 7          para COL en Rango (n_cols):
 . 8              index = n_cols * Fila + COL
 9.             plt.subplot (N_ROWS, n_cols, índice + 1 )
 10              plt.imshow (x_data [índice], CMAP = ' binario ' , la interpolación = ' más cercana ' )
 11              plt.axis ( ' off ' ) # 不显示坐标轴
12              plt .title (ClassFNames [y_data [índice]])
 13      plt.show ()
 14 ClassFNames = [ ' camiseta ' , ' pantalones ' , ' Pullover ' , ' vestido ' ,'Escudo ' ' de la sandalia ' ' camisa ' 15 ' de la sandalia ' ' camisa ' ' la zapatilla de deporte ' ' bolsa ' ' Ankle_boot ' ] # conjunto de datos fashion_mnist de categorías de imágenes 16 show_images (. 3 ,. 3, x_test, android.permission.FACTOR., ClassFNames)               

 

Mostrando resultados:

Cuatro: la formación de segmentación y conjuntos de validación