TensorFlow写卷积神经网络_数据集MNist

2 浏览量 2020-12-21 04:45:08 上传评论收藏 175KB PDF 举报

资源详情

资源评论

资源推荐

TensorFlow写卷积神经网络写卷积神经网络_数据集数据集MNist_详细说明详细说明

导入包和导入包和MNist

from __future__ import division, print_function #__future__的作用是升级py2到py3的一些用法，division：精确除法

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

from tensorflow.examples.tutorials.mnist import input_data

#从当前文件夹中找到MNist数据，“”中为文件路径

#MNist中，每一幅图片都是由28*28像素矩阵构成的，（28*28=784即784个像素点）

mnist = input_data.read_data_sets("datasets/MNIST_data/", one_hot = True)

观察数据观察数据

def train_size(num):

print('Training = ' + str(mnist.train.images.shape))

print('-------------------------------------------')

x_train = mnist.train.images[:num, :] print('x_Training = ' + str(x_train.shape))

y_train = mnist.train.labels[:num, :] print('y_Training = ' + str(y_train.shape))

print('')

return x_train, y_train

def test_size(num):

print('Test = ' + str(mnist.train.images.shape))

print('-------------------------------------------')

x_test = mnist.test.images[:num, :] print('x_Test = ' + str(x_test.shape))

y_test = mnist.test.labels[:num, :] print('y_Training = ' + str(y_test.shape))

print('')

return x_test, y_test

显示图显示图

def display_digit(num):

print(y_train[num])

label = y_train[num].argmax(axis = 0)

image = x_train[num].reshape([28, 28]) #将784位一组改一下形状写成28*28变成容易观察的图形

plt.title('Example: %d Label: %d' % (num, label))

plt.imshow(image, cmap = plt.get_cmap('gray_r')) #cmap：可视化色彩图。gray:【0：黑；255：白】，gray_r：【0:白，255：黑】

plt.show()

显示重新塑形的矩阵显示重新塑形的矩阵

def display_mult_flat(start, stop):

images = x_train[start].reshape([1,784])

for i in range(start + 1, stop):

#将多幅图形连接在一起显示，numpy.concatenate((a1, a2, ...), axis=0)（按轴axis连接array组成一个新的array，default=0：逐行）

images = np.concatenate((images, x_train[i].reshape([1, 784])))

plt.imshow(images, cmap = plt.get_cmap('gray_r'))

plt.show()

x_train, y_train = train_size(55000)

#随机显示一个数字。np.random.randint（low, high=None, size=None, dtype='l'）。函数的作用是，返回一个随机整型数，范围从低（包括）到高（不包

括），即[low, high)。如果没有写参数high的值，则返回[0,low)的值。

display_digit(np.random.randint(0, x_train.shape[0])) #x_train.shape是55000*784

display_mult_flat(0, 400)

Training = (55000, 784)

-------------------------------------------

x_Training = (55000, 784)

y_Training = (55000, 10)

[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余5页未读，立即下载

评论收藏

内容反馈

weixin_38660069

粉丝: 2
资源: 946

TensorFlow写卷积神经网络_数据集MNist_详细说明

评论0

最新资源

TensorFlow写卷积神经网络_数据集MNist_详细说明

评论0

TensorFlow实现卷积神经网络

使用TensorFlow框架演示了卷积神经网络在MNIST数据集上的应用

TensorFlow利用卷积神经网络识别手写数据集MNIST

TensorFlow基于CIFAR10数据集的卷积神经网络CNN实现

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类.py

cnn.zip_CNN 手写数据集_cnn 手写_tensorflow cnn_卷积 mnist_神经网络

CNN_MNIST.rar_CNN mnist_MNIST CNN_MNIST 数据集_tensorflow cnn_卷积 m

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类.zip

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。 使用TensorFlow Framework和Keras库实现了CNN。 在Google Colab上以60,000张图像训练模型

基于TensorFlow、CNN卷积神经网络的4位字符验证码识别、90.02%正确率.完整代码+数据 毕业设计 可直接运行

Python基于TensorFlow深度学习卷积神经网络自动识别网站验证码+源代码+文档说明+数据库.zip

基于TensorFlow 2.0和循环神经网络开发的情感分析python源码+使用说明+超详细注释.zip

基于卷积神经网络的交通标志识别模型，通过TensorFlow构建LeNet-5模型，并使用GTSRB德国交通标志数据集进行训练

tensorflow卷积神经网络cnn示例

卷积神经网络实现mnist手写识别

基于TensorFlow的MNIST卷积神经网络Python代码

tf_卷积神经网络_tensorflow_源码

基于tensorflow的卷积神经网络数字手写体识别

基于TensorFlow、CNN、清华数据集THUCNews的字符级卷积神经网络实现文本分类算法源码

基于TensorFlow 2.0+神经网络开发的图片风格迁移python源码+项目使用说明+详细注释.zip

心脏MRI-s-Segmentation：使用Azure机器学习服务来了解神经网络如何解决医学成像问题。 使用转置卷积神经网络。 使用Keras和TensorFlow 2分析图像数据并获得分割模型（UNET）

TrafficSign:在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志数据集”对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练

CNN卷积神经网络实现Mnist手写数字识别数据集

基于Tensorflow，OpenCV.使用MNIST数据集训练卷积神经网络模型，用于手写数字识别.zip

卷积神经网络识别MNIST

基于Tensorflow，OpenCV. 使用MNIST数据集训练卷积神经网络模型，用于手写数字识别.zip

CNN卷积神经网络TensorFlow代码

最新资源

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。使用TensorFlow Framework和Keras库实现了CNN。在Google Colab上以60,000张图像训练模型

基于TensorFlow、CNN卷积神经网络的4位字符验证码识别、90.02%正确率.完整代码+数据毕业设计可直接运行

心脏MRI-s-Segmentation：使用Azure机器学习服务来了解神经网络如何解决医学成像问题。使用转置卷积神经网络。使用Keras和TensorFlow 2分析图像数据并获得分割模型（UNET）

TrafficSign:在这个项目中，我使用卷积神经网络对交通标志进行分类。具体来说，我训练了一个模型，用于根据“德国交通标志数据集”对交通标志进行分类。我使用TensorFlow进行模型开发，并在GPU上对其进行了训练