如何使用 Tensorflow 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 结合使用,用于实现算法、深度学习应用程序等。它用于研究和生产目的。它具有优化技术,有助于快速执行复杂的数学运算。这是因为它使用 NumPy 和多维数组。这些多维数组也称为"张量"。
可以使用以下代码行在 Windows 上安装 ‘tensorflow’ 包 −
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。此流程图称为"数据流图"。张量不过是多维数组或列表。
当训练持续很长时间时,模型往往会过度拟合,并且不能很好地泛化测试数据。因此,训练步骤的数量必须保持平衡。这意味着,必须考虑所有数据情况才能进行有效的训练。这样,模型才能更好地泛化测试数据。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,具有高效的接口,可帮助解决机器学习问题。它在 Tensorflow 框架之上运行。它旨在帮助快速进行实验。它提供了开发和封装机器学习解决方案所必需的基本抽象和构建块。
Keras 已经存在于 Tensorflow 包中。可以使用下面的代码行访问它。
import tensorflow from tensorflow import keras
我们使用 Google Colaboratory 来运行下面的代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码,并且不需要任何配置,并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。以下是代码片段 −
示例
!pip install -q pyyaml h5py import os import tensorflow as tf from tensorflow import keras print("Tensorflow 版本是:") print(tf.version.VERSION) (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() print("拆分训练和测试数据") train_labels = train_labels[:1000] test_labels = test_labels[:1000] print("重塑训练和测试数据") 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
输出
解释
导入所需的包并为其添加别名。
获取前 1000 个示例以提高执行速度。