简单之美 » Tag » TensorFlow http://shiyanjun.cn 简单之美，难得简单，享受简单的唯美。 Wed, 04 Mar 2026 07:04:53 +0000 zh-CN hourly 1 http://wordpress.org/?v=3.9.2 使用 TensorFlow 处理 MNIST 手写体数字识别问题 http://shiyanjun.cn/archives/1949.html http://shiyanjun.cn/archives/1949.html#comments Sat, 04 Apr 2020 15:57:56 +0000 http://shiyanjun.cn/?p=1949 使用 TensorFlow 官方提供的一个例子，基于 MNIST 数据集，实现一个图片分类的应用，本文是基于 TensorFlow 2.0 版本来学习和实践的。 MNIST 数据集是一个非常出 名的手写体数字识别数据集，它包含了 60000 张图片作为训练集，10000 张图片作为测试集，每张图片中的手写体数字是 0~9 中的一个，图片是 28×28 像素大小，并且每个数字都是位于图片的正中间的。 使用 TensorFlow 对 MNIST 数据集进行分类，整个实现对应的完整的 Python 代码，如下所示： 训练集与测试集 上面，x_train 是训练集，它的大小是 60000，其中，里面包含的每一个图片是 28×28 像素，由一个 28×28 的二维数组表示。x_train 数据的结构如下所示： 下面，我们从 x_train 中拿出一个元素，即一个图片对应的二维数组 x_train[0]，如下所示： 由上面的矩阵可以看到，矩阵是非常稀疏的。从视觉上看，上面由非零的值组成的形状，恰好像手写数字5，其实它对应的分类标签（Label）就是 5，可以看到 y_train[0]=5。我们用下面的 Python 代码，画一下这个图片： 图片如下图所示： 另外，

]]>

使用 TensorFlow 官方提供的一个例子，基于 MNIST 数据集，实现一个图片分类的应用，本文是基于 TensorFlow 2.0 版本来学习和实践的。 MNIST 数据集是一个非常出 名的手写体数字识别数据集，它包含了 60000 张图片作为训练集，10000 张图片作为测试集，每张图片中的手写体数字是 0~9 中的一个，图片是 28×28 像素大小，并且每个数字都是位于图片的正中间的。 使用 TensorFlow 对 MNIST 数据集进行分类，整个实现对应的完整的 Python 代码，如下所示： from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf # 下载 MNIST 数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 # 创建 tf.keras.Sequential 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.D

使用 TensorFlow 官方提供的一个例子，基于 MNIST 数据集，实现一个图片分类的应用，本文是基于 TensorFlow 2.0 版本来学习和实践的。 MNIST 数据集是一个非常出 名的手写体数字识别数据集，它包含了 60000 张图片作为训练集，10000 张图片作为测试集，每张图片中的手写体数字是 0~9 中的一个，图片是 28×28 像素大小，并且每个数字都是位于图片的正中间的。 使用 TensorFlow 对 MNIST 数据集进行分类，整个实现对应的完整的 Python 代码，如下所示： 训练集与测试集 上面，x_train 是训练集，它的大小是 60000，其中，里面包含的每一个图片是 28×28 像素，由一个 28×28 的二维数组表示。x_train 数据的结构如下所示： 下面，我们从 x_train 中拿出一个元素，即一个图片对应的二维数组 x_train[0]，如下所示： 由上面的矩阵可以看到，矩阵是非常稀疏的。从视觉上看，上面由非零的值组成的形状，恰好像手写数字5，其实它对应的分类标签（Label）就是 5，可以看到 y_train[0]=5。我们用下面的 Python 代码，画一下这个图片： 图片如下图所示： 另外，

]]> http://shiyanjun.cn/archives/1949.html/feed 0