Rumah > Artikel > pembangunan bahagian belakang > Cara menggunakan modul aliran tensor untuk pembelajaran mendalam dalam Python 3.x
Cara menggunakan modul aliran tensor untuk pembelajaran mendalam dalam Python 3.x
pip install tensorflow
import tensorflow as tf import numpy as np
Berikut ialah kod contoh ringkas yang menunjukkan cara membina rangkaian neural bersambung penuh ringkas menggunakan TensorFlow:
# 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)
Berikut ialah kod contoh mudah yang menunjukkan cara menyediakan set data digit tulisan tangan MNIST dan menggunakan keturunan kecerunan stokastik (SGD) untuk melatih model:
# 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))
Berikut ialah kod contoh mudah yang menunjukkan cara menggunakan model terlatih untuk menilai ketepatan set data ujian:
# 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))
Atas ialah kandungan terperinci Cara menggunakan modul aliran tensor untuk pembelajaran mendalam dalam Python 3.x. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!