加载和预处理图像数据

TensorFlow API 概述

TensorFlow 是一个开源的机器学习框架，由 Google Brain 团队开发。它被广泛应用于各种机器学习和深度学习任务中。以下是 TensorFlow API 的概述，包括一些基础概念和常用函数。

基础概念

Tensor: TensorFlow 的核心数据结构，类似于多维数组。
Graph: TensorFlow 程序的结构化表示，包括节点（操作）和边（数据流）。
Session: 用于执行 TensorFlow 图的操作，并获取结果。

常用函数

tf.constant(value, dtype=None, shape=None, name=None): 创建一个常量。
tf.Variable(value, dtype=None, shape=None, name=None, trainable=True, collections=None, caching_device=None, device=None): 创建一个变量。
tf.add(x, y, name=None): 将两个张量相加。

图像识别

TensorFlow 在图像识别方面有着广泛的应用。以下是一个简单的图像识别示例：

import tensorflow as tf


# ...

# 创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

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

# 评估模型
model.evaluate(x_test, y_test)

了解更多关于 TensorFlow 的图像识别

深度学习

TensorFlow 也支持深度学习任务。以下是一个简单的神经网络示例：

import tensorflow as tf

# 创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

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

# 评估模型
model.evaluate(x_test, y_test)

深入了解 TensorFlow 的深度学习应用