编写一个基于多层感知器的Python代码,实现对MNIST数据集的简单的分类。
时间: 2023-04-06 10:04:26 浏览: 77
好的,我可以回答这个问题。以下是一个基于多层感知器的Python代码,用于对MNIST数据集进行简单分类:
```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 / 255.0
x_test = x_test / 255.0
# 定义模型
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.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(x_train, y_train, epochs=10)
# 评估模型
model.evaluate(x_test, y_test, verbose=2)
```
这个代码使用了一个包含两个隐藏层的多层感知器模型,其中每个隐藏层都包含128个神经元。模型使用ReLU激活函数和Dropout正则化来防止过拟合。最后,模型使用Adam优化器和稀疏分类交叉熵损失函数进行编译,并在MNIST数据集上进行了10个时期的训练。