海珠区专业做网站公司,做推广哪个平台网站好,有哪些网站可以做全景效果图,山西太原百度公司在这个示例中#xff0c;使用的神经网络是一个简单的全连接前馈神经网络#xff0c;也称为多层感知器#xff08;Multilayer Perceptron#xff0c;MLP#xff09;。这个神经网络由几个关键组件构成#xff1a;
1. 输入层 输入层接收输入数据#xff0c;这里是一个 28x…在这个示例中使用的神经网络是一个简单的全连接前馈神经网络也称为多层感知器Multilayer PerceptronMLP。这个神经网络由几个关键组件构成
1. 输入层 输入层接收输入数据这里是一个 28x28 的灰度图像每个像素值表示图像中的亮度值。
2. Flatten 层 Flatten 层用于将输入数据展平为一维向量以便传递给后续的全连接层。在这里我们将 28x28 的图像展平为一个长度为 784 的向量。
3. 全连接层Dense 层 全连接层是神经网络中最常见的层之一每个神经元与上一层的每个神经元都连接。在这里我们有一个包含 128 个神经元的隐藏层以及一个包含 10 个神经元的输出层。隐藏层使用 ReLURectified Linear Unit激活函数输出层使用 softmax 激活函数。
4. 输出层 输出层产生神经网络的输出这里是一个包含 10 个元素的向量每个元素表示对应类别的概率。softmax 函数用于将网络的原始输出转换为概率分布。
5. 编译模型 在编译模型时我们指定了优化器optimizer和损失函数loss function。在这里我们使用 Adam 优化器和稀疏分类交叉熵损失函数。
6. 训练模型 使用训练数据集对模型进行训练以学习如何将输入映射到正确的输出。在训练过程中模型通过优化损失函数来调整权重和偏置使其尽可能准确地预测输出。
总的来说这个神经网络是一个经典的多层感知器MLP它在输入层和输出层之间包含一个或多个隐藏层通过学习逐步提取和组合特征来进行分类或回归任务。 代码
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten# 加载 MNIST 数据集
(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# 构建神经网络模型
model Sequential([Flatten(input_shape(28, 28)),Dense(128, activationrelu),Dense(10, activationsoftmax)
])# 编译模型
model.compile(optimizeradam,losssparse_categorical_crossentropy,metrics[accuracy])# 训练模型
model.fit(train_images, train_labels, epochs5)# 评估模型
test_loss, test_acc model.evaluate(test_images, test_labels)
print(Test accuracy:, test_acc)# 保存模型
model.save(mnist_model.h5)# 加载模型
loaded_model tf.keras.models.load_model(mnist_model.h5)# 使用加载的模型进行预测
predictions loaded_model.predict(test_images)结果
Epoch 1/5 1875/1875 [] - 4s 2ms/step - loss: 0.2586 - accuracy: 0.9265 Epoch 2/5 1875/1875 [] - 3s 2ms/step - loss: 0.1136 - accuracy: 0.9656 Epoch 3/5 1875/1875 [] - 3s 2ms/step - loss: 0.0773 - accuracy: 0.9768 Epoch 4/5 1875/1875 [] - 3s 2ms/step - loss: 0.0587 - accuracy: 0.9823 Epoch 5/5 1875/1875 [] - 4s 2ms/step - loss: 0.0462 - accuracy: 0.9855 313/313 [] - 0s 1ms/step - loss: 0.0750 - accuracy: 0.9775 Test accuracy: 0.9775000214576721
识别准确率挺高然后我们也得到了训练好的模型。 应用测试
import tensorflow as tf
import numpy as np
from PIL import Image# 加载保存的模型
loaded_model tf.keras.models.load_model(mnist_model.h5)# 打开手写图片文件
image_path pic/handwritten_digit_thick_5.png # 修改为你的手写图片文件路径
image Image.open(image_path).convert(L) # 转换为灰度图像# 调整图片大小为 28x28 像素
image image.resize((28, 28))# 将图片转换为 NumPy 数组并进行归一化处理
image_array np.array(image) / 255.0# 将图片转换为模型输入的格式添加批次维度
input_image np.expand_dims(image_array, axis0)# 使用模型进行预测
predictions loaded_model.predict(input_image)# 获取预测结果最大概率的类别
predicted_class np.argmax(predictions)print(Predicted digit:, predicted_class)准备了4张图片3张自己手写1张摘自minst 前两张画笔比较细第三张是minst的5第四张是用了粗笔自己写的5最终结果是就minst预测对了。
Predicted digit: 2
Predicted digit: 8
Predicted digit: 5
Predicted digit: 3
结论
可见这个模型的扩展适应性能还是不够只能预测正确训练过的minst数字。 改进
想办法提升训练的质量让预测能力达标。
