TensorFlow如何用于保存和加载MNIST数据集的权重？

TensorFlow是Google提供的机器学习框架。它是一个开源框架，与Python搭配使用，可用于实现算法、深度学习应用等等。它被用于研究和生产目的。它具有优化技术，可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”。

可以使用以下代码将“tensorflow”包安装在Windows上 −

pip install tensorflow

Tensor是Tensorflow中使用的数据结构。它有助于连接流程图中的边缘。这个流程图称为“数据流图”。张量实际上就是一个多维数组或列表。

当授课时间过长时，模型往往会过度拟合并不能很好地对测试数据进行推广。因此，必须平衡好训练步骤的数量。这意味着必须采取所有数据案例进行有效训练。这样，模型就可以更好地对测试数据推广。否则，可以执行正则化。

Keras是一个用Python编写的深度学习API。它是一个高级API，具有可以帮助解决机器学习问题的有效界面。它运行在Tensorflow框架之上。它被设计为可以快速进行实验。它提供了必要的抽象和构建块，这些构建块在开发和封装机器学习解决方案时至关重要。

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，无需任何配置，可以免费访问GPU（图形处理器）。Colaboratory是建立在Jupyter Notebook之上的。下面是代码片段−

更多Python相关文章，请阅读：Python 教程

例子

!pip install -q pyyaml h5py
import os

import tensorflow as tf
from tensorflow import keras

print("Tensorflow的版本是：")
print(tf.version.VERSION)
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
print("拆分培训和测试数据")
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]

print("改变培训和测试数据的形状")
train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0

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