首页 > 其他分享 >Tensorflow基础:第一个训练模型

Tensorflow基础:第一个训练模型

时间:2024-07-30 18:11:24浏览次数:12  
标签:loss val 训练 10 模型 Epoch 1875 Tensorflow accuracy

模型代码:

import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

# 引入数据
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

# 数据处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

# 模型编译
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, validation_data = (test_images, test_labels))

显示结果:

Epoch 1/10
1875/1875 [==============================] - 2s 705us/step - loss: 0.5012 - accuracy: 0.8230 - val_loss: 0.4400 - val_accuracy: 0.8402
Epoch 2/10
1875/1875 [==============================] - 2s 993us/step - loss: 0.3734 - accuracy: 0.8654 - val_loss: 0.4012 - val_accuracy: 0.8570
Epoch 3/10
1875/1875 [==============================] - 2s 825us/step - loss: 0.3359 - accuracy: 0.8770 - val_loss: 0.4043 - val_accuracy: 0.8519
Epoch 4/10
1875/1875 [==============================] - 1s 617us/step - loss: 0.3126 - accuracy: 0.8848 - val_loss: 0.3465 - val_accuracy: 0.8774
Epoch 5/10
1875/1875 [==============================] - 1s 613us/step - loss: 0.2929 - accuracy: 0.8923 - val_loss: 0.3785 - val_accuracy: 0.8618
Epoch 6/10
1875/1875 [==============================] - 1s 693us/step - loss: 0.2782 - accuracy: 0.8977 - val_loss: 0.3642 - val_accuracy: 0.8747
Epoch 7/10
1875/1875 [==============================] - 1s 778us/step - loss: 0.2663 - accuracy: 0.9009 - val_loss: 0.3756 - val_accuracy: 0.8638
Epoch 8/10
1875/1875 [==============================] - 1s 686us/step - loss: 0.2580 - accuracy: 0.9042 - val_loss: 0.3553 - val_accuracy: 0.8754
Epoch 9/10
1875/1875 [==============================] - 1s 684us/step - loss: 0.2468 - accuracy: 0.9079 - val_loss: 0.3338 - val_accuracy: 0.8844
Epoch 10/10
1875/1875 [==============================] - 1s 708us/step - loss: 0.2375 - accuracy: 0.9116 - val_loss: 0.3471 - val_accuracy: 0.8811
<keras.src.callbacks.History at 0x1541f0f10>

标签:loss,val,训练,10,模型,Epoch,1875,Tensorflow,accuracy
From: https://www.cnblogs.com/techgy/p/18333055

相关文章

  • 关于Stable diffusion的各种模型,看这篇就可以了!
    大家好,这里是《Stablediffusion小白入门》系列的第3篇,主要是帮大家梳理下Stablediffusion里面的各种模型,模型在Stablediffusion中占据着至关重要的地位,不仅决定了出图的风格,也决定了出图质量的好坏。但在第一次接触SD的时候,我就被里面的模型搞到头大,不仅有多种模型后缀,......
  • 智能小程序 Ray 开发面板 SDK —— 智能设备模型使用指南
    智能设备模型当前面板小程序提供了大量丰富且灵活的API,要搞清楚如何调用组合它们对于新手来说具有一定挑战性,因此我们提供了智能设备模型(SDM)。简单来说,它是一个基于OOP的面板小程序开发库,通过对设备的数据管理,设备控制,状态监听的封装以及差异抹平,让您在面板开发的过程......
  • K8s大模型算力调度策略的深度解析
    随着大数据和人工智能技术的飞速发展,Kubernetes(简称K8s)作为容器编排的领军者,在支撑大规模模型训练和推理方面扮演着越来越重要的角色。在大模型算力的调度过程中,如何高效、合理地分配和管理资源成为了一个亟待解决的问题。本文将深入探讨K8s在大模型算力调度中的策略与实践。......
  • AquaCrop模型农业水资源管理及代码解析
    AquaCrop是由世界粮食及农业组织(FAO)开发的一个先进模型,旨在研究和优化农作物的水分生产效率。这个模型在全球范围内被广泛应用于农业水管理,特别是在制定农作物灌溉计划和应对水资源限制方面显示出其强大的实用性。AquaCrop不仅包含一个全面的数据库,还提供了用户友好的接口,使得......
  • 为什么模型中的梯度参数全部都是None?
    这是我的模型。我的计划是制作一个融合相机和雷达图像的模型。classFusionNet(nn.Module):def__init__(self,radar_channels=1,camera_channels=3,n_classes=2,bilinear=False):super(FusionNet,self).__init__()self.radar_channels=radar_c......
  • 大咖公开课 | 大模型场景讲解以及测试方法
    在这个日新月异的科技时代,人工智能(AI)正以惊人的速度改变着我们的生活与工作方式。为了帮助大家系统地掌握人工智能的场景及测试方法,我们特别推出了大模型与人工智能平台测试公开课,带领大家从大模型场景、RAG及人工智能平台的测试开始,深入探索人工智能技术的场景及测试方法。本......
  • 每次更新模型/字段时,如何在运行时延迟计算某些属性?
    我正在学习pydantic,我希望了解Python类及其属性与pyndatic模型之间的交互。特别是,我希望定义一些实例变量,这些实例变量在创建模型后以及每次创建模型时在运行时延迟计算模型或特定字段已更新。这里有一个小的播放代码片段。问题是:每次更改生日或年龄(假设可以根据给......
  • 盖世计划--0730--B班训练
    A哈哈,写过的题,看过的性质还能忘,这辈子有了。一个性质,如果要将\(A\)序列通过相邻位置\(+1\)或\(-1\)操作(总和不变,相当于传递)变为序列\(B\),设\(sa_i=\sum\limits_{j=1}^ia_j\),\(sb_i=\sum\limits_{j=1}^ia_j\)。那么最少操作次数为:\[\sum_{i=1}^n|sa_i-sb_i|\]理解一下......
  • 大语言模型原理与工程实践:大语言模型微调的探索与展望
    大语言模型原理与工程实践:大语言模型微调的探索与展望作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词:大语言模型,微调,机器学习,自然语言处理,工程实践1.背景介绍1.1问题的由来随着深度学习技术的飞速发展,大语言模型(LargeLanguageModel......
  • 国内AI大模型的发展趋势与未来展望
    政策与市场驱动中国高度重视人工智能的发展,自2017年《新一代人工智能发展规划》发布以来,国家层面不断推出支持政策,如2022年《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》以及2024年《政府工作报告》中提出的“人工智能+”行动,这些政策为AI大模型产业提......