markdown-it
demo
Delete
Submit
clear
permalink
### 利用 Docker 建置環境 ```bash sudo docker run --rm -ti tensorflow/tensorflow bash # 安裝需要的軟體 pip install keras tensorflow numpy gym ``` 以下是一個使用 Keras 和 TensorFlow 後端的簡單範例,展示如何建立一個簡單的多層感知器(MLP)模型來分類 MNIST 手寫數字資料集: ```py import numpy as np from keras.datasets import mnist from tensorflow.keras import layers, models, utils, datasets # 載入 MNIST 手寫數字資料集 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 資料預處理 # 將圖像展平成一維陣列 (784 個特徵),並將像素值正規化至 0 到 1 之間 x_train = x_train.reshape(x_train.shape[0], 28 * 28).astype('float32') / 255 x_test = x_test.reshape(x_test.shape[0], 28 * 28).astype('float32') / 255 # 將類別標籤進行 One-Hot 編碼 y_train = utils.to_categorical(y_train, 10) y_test = utils.to_categorical(y_test, 10) # 嘗試讀取已存在的模型,如果不存在,則創建一個新的模型 try: model = models.load_model('mnist_mlp_model.keras') print("已讀取現有模型") except IOError: # 建立 MLP 模型 model = models.Sequential() model.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) model.add(layers.Dense(10, activation='softmax')) # 編譯模型 optimizer: adam or rmsprop model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) print("已建立新模型") # 訓練模型 model.fit(x_train, y_train, validation_split=0.2, epochs=10, batch_size=128, verbose=1) # 評估模型 loss, accuracy = model.evaluate(x_test, y_test, verbose=0) print('Test loss:', loss) print('Test accuracy:', accuracy) # 儲存模型 model.save('mnist_mlp_model.keras') ```
html
source
debug
Fork me on GitHub