Python 3.x 中如何使用tensorflow模块进行深度学习
pip install tensorflow
登录后复制
import tensorflow as tf
import numpy as np
登录后复制
以下是一个简单的示例代码,展示了如何使用TensorFlow构建一个简单的全连接神经网络:
# 定义输入数据
x = tf.placeholder(tf.float32, shape=[None, 784])
y_true = tf.placeholder(tf.float32, shape=[None, 10])
# 定义隐藏层
hidden_layer = tf.layers.dense(x, 256, activation=tf.nn.relu)
# 定义输出层
logits = tf.layers.dense(hidden_layer, 10)
# 定义损失函数
loss = tf.losses.softmax_cross_entropy(onehot_labels=y_true, logits=logits)
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss)
登录后复制
以下是一个简单的示例代码,展示了如何准备MNIST手写数字数据集,并使用随机梯度下降法(SGD)来训练模型:
# 下载MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 定义训练参数
epochs = 10
batch_size = 128
# 创建会话
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 开始训练
for epoch in range(epochs):
total_batches = mnist.train.num_examples // batch_size
for batch in range(total_batches):
batch_x, batch_y = mnist.train.next_batch(batch_size)
# 训练模型
sess.run(train_op, feed_dict={x: batch_x, y_true: batch_y})
# 每轮结束后评估模型在测试集上的准确率
accuracy = sess.run(accuracy_op, feed_dict={x: mnist.test.images, y_true: mnist.test.labels})
print("Epoch: {}, Accuracy: {}".format(epoch + 1, accuracy))
登录后复制
以下是一个简单的示例代码,展示了如何使用训练好的模型评估测试数据集的准确率:
# 在模型建立后添加以下代码:
correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y_true, 1))
accuracy_op = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
登录后复制
以上就是Python 3.x 中如何使用tensorflow模块进行深度学习的详细内容,更多请关注每日运维网(www.mryunwei.com)其它相关文章!