【动手学深度学习】softmax回归

本节讲述用tensorflow2实现sofrmax回归。

依然是一个很基础的版本，没有防止过拟合措施，也没有进行val验证。

首先是导包

import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist

print(tf.__version__)

输出：

2.1.0

由于tf会自动使用GPU进行运算，我们设置GPU内存为按需分配。

gpus = tf.config.experimental.list_physical_devices('GPU')
for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)

数据读取与数据标准化

(X_train,y_train),(X_test,y_test) = fashion_mnist.load_data()

# 数据标准化
X_train = X_train / 255.
X_test = X_test / 255.

模型编写：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))

训练：

model.compile(optimizer=tf.keras.optimizers.SGD(0.1),loss='sparse_categorical_crossentropy',metrics=['acc'])
model.fit(X_train,y_train,epochs=5,batch_size=256)

输出，我们可以看出，经过5批次的简单计算，准确率已经达到83.4：

Train on 60000 samples
Epoch 1/5
60000/60000 [==============================] - 1s 19us/sample - loss: 0.8008 - acc: 0.7394
Epoch 2/5
60000/60000 [==============================] - 1s 16us/sample - loss: 0.5744 - acc: 0.8114
Epoch 3/5
60000/60000 [==============================] - 1s 16us/sample - loss: 0.5289 - acc: 0.8243
Epoch 4/5
60000/60000 [==============================] - 1s 16us/sample - loss: 0.5052 - acc: 0.8307
Epoch 5/5
60000/60000 [==============================] - 1s 18us/sample - loss: 0.4893 - acc: 0.8343

然后我们看看测试集上的效果：

test_loss, test_acc = model.evaluate(X_test,y_test)
print(test_loss,test_acc)

输出，可以看到在10000个数据集上，准确率接近83：

10000/10000 [==============================] - 1s 80us/sample - loss: 0.5089 - acc: 0.8264
0.5089153020858764 0.8264