mnist cnn tensorflow2.0
时间: 2023-09-01 08:13:12 浏览: 97
对于MNIST数据集上的图像分类任务,您可以使用TensorFlow 2.0和卷积神经网络(CNN)来解决。以下是一个简单的示例代码:
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 数据预处理
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0
# 构建CNN模型
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译和训练模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)
# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)
```
这个示例代码中,首先加载MNIST数据集,然后进行数据预处理。接下来构建了一个简单的卷积神经网络模型,包含了两个卷积层、池化层、扁平化层和两个全连接层。最后编译和训练模型,并评估模型在测试集上的性能。
注意:这只是一个示例,您可以根据需求调整网络结构、超参数和训练过程。
阅读全文
相关推荐
















