tensorflow实现卷积神经网络训练mnist手写数据集

Question

使用tensorflow实现使用卷积神经网络训练mnist手写数据集并符合以下要求：1.画出训练过程中训练集正确率表现图。2.画出训练过程中训练集损失函数表现图。3.训练正确率要求高于80%

Answer 1

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7416182
• 这篇博客也不错, 你可以看下基于TensorFlow卷积神经网络与MNIST数据集设计手写数字识别算法
• 您还可以看一下 陆永剑老师的TensorFlow入门学习教程课程中的 Mnist数据集介绍与获取小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  以下是具体的解决方案：

  1. 导入MNIST数据集

  import tensorflow as tf
  mnist = tf.keras.datasets.mnist
  (train_x, train_y), (test_x, test_y) = mnist.load_data()
  

  1. 数据预处理

  train_x = train_x.reshape(-1, 28, 28, 1)/255.0
  test_x = test_x.reshape(-1, 28, 28, 1)/255.0
  train_y = tf.keras.utils.to_categorical(train_y, 10)
  test_y = tf.keras.utils.to_categorical(test_y, 10)
  

  1. 定义模型

  model = tf.keras.Sequential([
      tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
      tf.keras.layers.MaxPooling2D(),
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dense(64, activation='relu'),
      tf.keras.layers.Dense(10, activation='softmax')
  ])
  

  1. 编译模型并训练

  model.compile(optimizer=tf.optimizers.Adam(),
                loss='categorical_crossentropy',
                metrics=['accuracy'])
  
  history = model.fit(train_x, train_y, epochs=20, batch_size=32, validation_data=(test_x, test_y))
  

  1. 绘制训练过程中训练集正确率和损失函数的表现图

  import matplotlib.pyplot as plt
  
  # 准确率的变化
  plt.plot(history.history['accuracy'])
  plt.plot(history.history['val_accuracy'])
  plt.title('Model Accuracy')
  plt.ylabel('Accuracy')
  plt.xlabel('Epoch')
  plt.legend(['train', 'test'], loc='upper left')
  plt.show()
  
  # 损失函数的变化
  plt.plot(history.history['loss'])
  plt.plot(history.history['val_loss'])
  plt.title('Model Loss')
  plt.ylabel('Loss')
  plt.xlabel('Epoch')
  plt.legend(['train', 'test'], loc='upper left')
  plt.show()
  

  完整的代码如下：

  import tensorflow as tf
  
  # 导入MNIST数据集
  mnist = tf.keras.datasets.mnist
  (train_x, train_y), (test_x, test_y) = mnist.load_data()
  
  # 数据预处理
  train_x = train_x.reshape(-1, 28, 28, 1)/255.0
  test_x = test_x.reshape(-1, 28, 28, 1)/255.0
  train_y = tf.keras.utils.to_categorical(train_y, 10)
  test_y = tf.keras.utils.to_categorical(test_y, 10)
  
  # 定义模型
  model = tf.keras.Sequential([
      tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
      tf.keras.layers.MaxPooling2D(),
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dense(64, activation='relu'),
      tf.keras.layers.Dense(10, activation='softmax')
  ])
  
  # 编译模型并训练
  model.compile(optimizer=tf.optimizers.Adam(),
                loss='categorical_crossentropy',
                metrics=['accuracy'])
  
  history = model.fit(train_x, train_y, epochs=20, batch_size=32, validation_data=(test_x, test_y))
  
  # 绘制训练过程中训练集正确率和损失函数的表现图
  import matplotlib.pyplot as plt
  
  # 准确率的变化
  plt.plot(history.history['accuracy'])
  plt.plot(history.history['val_accuracy'])
  plt.title('Model Accuracy')
  plt.ylabel('Accuracy')
  plt.xlabel('Epoch')
  plt.legend(['train', 'test'], loc='upper left')
  plt.show()
  
  # 损失函数的变化
  plt.plot(history.history['loss'])
  plt.plot(history.history['val_loss'])
  plt.title('Model Loss')
  plt.ylabel('Loss')
  plt.xlabel('Epoch')
  plt.legend(['train', 'test'], loc='upper left')
  plt.show()