如何使用Tensorflow定义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一起使用来实现算法、深度学习应用等等。它具有优化技术，可以帮助快速执行复杂的数学运算。这是因为它使用NumPy和多维数组。这些多维数组也被称为“张量”。这个框架支持使用深度神经网络。

可以使用以下代码在Windows上安装“tensorflow”包 –

pip install tensorflow

张量是TensorFlow中使用的数据结构。它可以帮助连接流程图中的边缘。这个流程图被称为“数据流图”。张量只是多维数组或列表。

Keras是一个用Python编写的深度学习API。它是一个高级API，具有有益解决机器学习问题的生产接口。它运行在Tensorflow框架之上。它的建立是为了帮助快速实验。Keras已经包含在Tensorflow包中。可以使用以下代码访问它。

import tensorflow
from tensorflow import keras

我们正在使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory可以在浏览器上运行Python代码，并且不需要任何配置就可以免费访问GPU（图形处理单元）。Colaboratory是建立在Jupyter Notebook之上的。以下是代码片段 –

更多Python相关文章，请阅读：Python 教程

示例

print("Defining a sequential model")
def create_model():
    model = tf.keras.models.Sequential([
        keras.layers.Dense(512, activation='relu', input_shape=(784,)),
        keras.layers.Dropout(0.2),
        keras.layers.Dense(10)
    ])

    model.compile(
        optimizer='adam',
        loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
        metrics=[tf.metrics.SparseCategoricalAccuracy()])

    return model

print("Creating a model instance")
model = create_model()

print("Displaying the architecture of the sequential model")
model.summary()

代码来源 – https://www.tensorflow.org/tutorials/keras/save_and_load