これは、エントリ・ケースの公式サイト、手書き認識1-9の数です。
mnistデータセットをロードします
インポートTFとしてtensorflow minist = tf.keras.datasets.mnist (x_train、y_train)、(x_test、y_test) = minist.load_data()
その後、エラーが報告されます
LOAD_DATAはあなたがアクセスできないように、Googleのサーバーにデータをダウンロードすることで、その後、学校のローマのように見えます。
ローカルにダウンロードmnist.npzを見つけるためにオンラインで行くことができます。
そして、書き換え
パス= ' C:/ユーザ/.../ドキュメント/ PYコード/ mnist.npz ' (x_train、y_train)、(x_test、y_test) = minist.load_data(パス)
その上に。
インポートTF AS tensorflow minist = tf.keras.datasets.mnist パス = ' C:/ドキュメント/.../ユーザ/ PYコード/ mnist.npz ' (x_train、y_train)、(。x_test、android.permission.FACTOR) = minist.load_data(パス) x_train、x_test = x_train / 255.0、x_test / 255.0 #ニューラルネットワークモデルの層が積層され、最適なトレーニング機能喪失を選択。 =モデルtf.keras.Sequential([ tf.keras.layers.Flatten(input_shape =(28、28 ))、 tf.keras.layers.Dense( 128、アクティベーション= ' RELU ' )、 tf.keras.layers.Dropout ( 0.2)、 #のオーバーフィッティングを防ぐために、通常はいくつかの層の後にドロップアウト率、 tf.keras.layers.Dense(10、アクティベーション= ' のSoftMax ' ) ]) model.compile(オプティマイザ = ' ADAM '、#のオプティマイザ、適応モーメント推定、学習率は、各世代の変化します 損失= ' sparse_categorical_crossentropyを'、#スパースクロスエントロピー分類 メトリック= [ ' 精度' ] #の評価基準、精度 ) model.fit(x_train、y_train、エポック = 5 ) model.evaluate(x_test、android.permission.FACTOR。、冗長 = 2) #