神经网络识别准确率代码
时间: 2023-08-01 15:15:10 浏览: 30
以下是一个简单的神经网络分类模型的代码,它使用 TensorFlow 框架,可以计算分类准确率:
```python
import tensorflow as tf
# 加载数据
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
# 数据预处理:将像素值缩放到 [0, 1] 之间
train_images = train_images / 255.0
test_images = test_images / 255.0
# 构建模型
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, epochs=10)
# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('Test accuracy:', test_acc)
```
在这个例子中,我们使用了 MNIST 手写数字数据集。我们首先加载数据,然后对训练和测试图像进行预处理。接下来,我们构建一个简单的神经网络模型,它包含一个输入层、一个隐藏层和一个输出层。我们使用 ReLU 激活函数和 softmax 函数来激活隐藏层和输出层。然后,我们编译模型并使用训练数据进行训练。最后,我们在测试集上评估模型,并打印出分类准确率。