东莞市品牌网站建设报价上海优化seo

import tensorflow as tffrom tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist# 载入 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255train_labels = tf.keras.utils.to_categorical(train_labels)
test_labels = tf.keras.utils.to_categorical(test_labels)# 构建神经网络模型
model = models.Sequential([# 第一层：卷积层layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),# 第二层：最大池化层layers.MaxPooling2D((2, 2)),# 第三层：卷积层layers.Conv2D(64, (3, 3), activation='relu'),# 第四层：最大池化层layers.MaxPooling2D((2, 2)),# 第五层：卷积层layers.Conv2D(64, (3, 3), activation='relu'),# 将二维数据展平成一维layers.Flatten(),# 第六层：全连接层（密集层），64个神经元，ReLU激活函数layers.Dense(64, activation='relu'),# 输出层：全连接层，10个神经元（对应10个类别，0-9的数字），使用softmax激活函数layers.Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2)# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

 编译模型：

model.compile( optimizer,    # 优化器，用于配置模型的学习过程。常见的有 'adam'、'sgd' 等。loss,         # 损失函数，用于衡量模型在训练时的性能。常见的有 'categorical_crossentropy'、'mse' 等。 metrics=None  # 评估指标，用于监控训练和测试性能。可以是一个字符串或字符串列表。例如，'accuracy'。)

optimizer（优化器）:

优化器决定了模型如何进行参数更新，以最小化损失函数。常见的优化器包括 'adam'、'sgd'、'rmsprop' 等。不同的优化器可能适用于不同类型的问题。

loss（损失函数）:

损失函数用于衡量模型在训练时的性能，即模型预测与实际标签之间的差异。对于不同的问题，需要选择合适的损失函数。例如，对于分类问题，常见的是 'categorical_crossentropy'，而对于回归问题，可能是 'mse'（均方误差）。

metrics（评估指标）:

评估指标用于监控模型的性能。在训练和测试过程中，会输出这些指标的值。例如，'accuracy' 表示模型的准确性。你可以传递一个字符串或一个字符串列表，以同时监控多个指标。