如何使用TensorFlow在Python中构建Fashion MNIST数据集的模型？

TensorFlow是由Google提供的机器学习框架。它是一个开源框架，与Python一起用于实现算法、深度学习应用程序等等。它被用于研究和生产目的。

‘tensorflow’包可以使用以下代码在Windows上安装 –

pip install tensorflow

Tensor是TensorFlow中使用的一种数据结构。它帮助连接流程图中的边缘。这个流程图被称为“数据流图”。张量不过是多维数组或列表。

‘Fashion MNIST’数据集包含不同种类的服装图像。它包含超过70,000件属于10个不同类别的衣服的灰度图像。这些图像具有低分辨率（28 × 28像素）。我们使用Google Colaboratory来运行下面的代码。

Google Colab或Colaboratory可以在浏览器上运行Python代码，不需要任何配置，免费访问图形处理器（GPU）。Colaboratory是在Jupyter Notebook平台上构建的。

以下是在Python中构建Fashion MNIST数据集模型的代码片段 –

更多Python相关文章，请阅读：Python 教程

示例

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])
print("正在构建Sequential模型")
model.compile(optimizer='adam',  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),  metrics=['accuracy'])
print("正在编译Sequential模型")

代码来源 − https://www.tensorflow.org/tutorials/keras/classification

输出

正在构建Sequential模型
正在编译Sequential模型

解释

• 配置模型中的层。

• 层是神经网络的基本块，从输入数据中提取表示。

• 多个简单的层被组合在一起。

• 一些层还有调整参数，以在训练阶段达到最优值。

• 第一层“Flatten”将图像从2D转换为1D数组。

• 这一层没有需要学习的参数。

• 一旦像素被扁平化，就会构建两个‘Dense’层，每个密集层具有128个神经元。最后一层返回具有长度10的logits数组。

• 每个神经元/节点包含一个值，这个值是一个分数，告诉我们图像属于哪个类。

• 然后编译模型。