tensorflow使用多层感知机 (MLP) 或卷积神经网络 (CNN) 来提取特征并进行分类,并给出示例代码

TensorFlow可以使用多层感知机 (MLP) 或卷积神经网络 (CNN) 来提取特征并进行分类。

下面是一个简单的使用MLP进行手写数字识别的示例代码:

import tensorflow as tf
from tensorflow import keras

# 载入mnist数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 对数据进行预处理
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255

# 将标签转换为one-hot编码
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 构建模型
model = keras.Sequential()
model.add(keras.layers.Dense(512, activation='relu', input_shape=(784,)))
model.add(keras.layers.Dropout(0.2))
model.add(keras.layers.Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=20, validation_data=(x_test, y_test))

下面是一个简单的使用CNN进行手写数字识别的示例代码:

import tensorflow as tf
from tensorflow import keras

# 载入mnist数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 对数据进行预处理
x_train = x_train.reshape(60000, 28, 28, 1).astype('float32') / 255
x_test = x_test.reshape(10000, 28, 28, 1).astype('float32') / 255

# 将标签转换为one-hot编码
y_train = keras.utils.to_categorical(