community-forum/tensorflow-neural-network-case

TensorFlow 神经网络案例解析 🧠

本文将介绍几个 TensorFlow 神经网络的应用案例，帮助您更好地理解神经网络在实际问题中的应用。

案例一：手写数字识别

使用 TensorFlow 的 MNIST 数据集，我们可以训练一个神经网络来识别手写数字。

导入库
```
import tensorflow as tf
```

加载数据

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

预处理数据

x_train, x_test = x_train / 255.0, x_test / 255.0

构建模型

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])

编译模型

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

训练模型
```
model.fit(x_train, y_train, epochs=5)
```

评估模型

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)

案例二：图像分类

使用 TensorFlow 的 CIFAR-10 数据集，我们可以训练一个神经网络来对图像进行分类。

导入库
```
import tensorflow as tf
```

加载数据

cifar10 = tf.keras.datasets.cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

预处理数据

x_train, x_test = x_train / 255.0, x_test / 255.0

构建模型

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10)
])

编译模型

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

训练模型
```
model.fit(x_train, y_train, epochs=10)
```

评估模型

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)

更多 TensorFlow 神经网络案例，请访问本站 TensorFlow 神经网络教程。