tensorflow---识别图像特征（吴恩达课程）

tensorflow---识别图像特征

解决：确定一张图是否是鞋子

 1 import matplotlib.pyplot as plt
 2 import tensorflow as tf
 3 #加载数据
 4 mnist=tf.keras.datasets.fashion_mnist
 5 (training_images,training_lable),(test_images,test_lable)=mnist.load_data()
 6 #查看图片和数据
 7 plt.imshow(training_images[42])
 8 print(training_lable[42])
 9 print(training_images[42])
10 #标准化
11 training_images=training_images/255.0
12 test_images=test_images/255.0
13 #构建网络模型，自定义网络层
14 model=tf.keras.models.Sequential([tf.keras.layers.Flatten(),
15                                  tf.keras.layers.Dense(128,activation=tf.nn.relu),
16                                  tf.keras.layers.Dense(10,activation=tf.nn.softmax)])
17 model.compile(optimizer='Adam',loss='sparse_categorical_crossentropy')
18 model.fit(training_images,training_lable,epochs=100)
19 #准确率
20 model.evaluate(test_images,test_lable)

注：

1、categorical_crossentropy loss（交叉熵损失函数）

　　交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况。

　　它刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近，不确定性越小，

　　准确率越高。

　　categorical_crossentropy 和 sparse_categorical_crossentropy 的区别

　　如果你的 targets 是 one-hot 编码，用 categorical_crossentropy

　　　　one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]

　　如果你的 tagets 是数字编码，用 sparse_categorical_crossentropy

　　　　数字编码：2, 0, 1

2、Adam（自适应梯度下降法）

　　一种优化方式

附notebook_jupyter运行步骤结果：