最简单的tensorflow深度学习代码
时间: 2023-10-12 21:33:01 浏览: 39
以下是一个使用 TensorFlow 的最简单的深度学习代码,它实现了一个简单的神经网络来对 MNIST 数据集进行分类:
```python
import tensorflow as tf
from tensorflow import keras
# 加载数据集
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0
# 定义模型
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, epochs=10)
# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
```
这个代码加载了 MNIST 数据集,将像素值缩放到 0 到 1 之间,然后定义了一个简单的神经网络模型,使用 `adam` 优化器和交叉熵损失函数进行编译。接下来,使用 `fit` 方法对模型进行训练,最后使用 `evaluate` 方法评估模型在测试集上的准确率。