人工智能实践：使用TensorFlow构建深度学习模型案例

原创蔚落 2025-01-11 20:21 19阅读 0赞

在 TensorFlow 中，我们可以构建各种深度学习模型。以下是一个简单的例子，我们将创建一个基本的卷积神经网络（CNN）来预测MNIST手写数字。

1. 导入所需库：
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
```

2. 准备数据：
```python
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 28, 28, 1)) / 255
x_test = x_test.reshape(-1, 28, 28, 1)) / 255

y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)
```

3. 创建深度学习模型：
```python
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.Conv2D(64, (3, 3)), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2))),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu')),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(10, activation='softmax'))
])

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

4. 训练模型：
```python
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test)))

# 可视化训练过程
import matplotlib.pyplot as plt

plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()
```

现在，你已经创建了一个基本的卷积神经网络模型来预测MNIST手写数字。你可以根据需要调整模型结构和参数。