Spaces:

starcode-tech
/

mnist-image-classification

Sleeping

mnist-image-classification / training.py

Sebastian Willenberg

Updated

de4fabe about 2 years ago

1.08 kB

from tensorflow import keras

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

x_train = x_train / 255.0
x_test = x_test / 255.0

model = keras.models.Sequential([
  keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
  keras.layers.Dense(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)   
  keras.layers.Dense(512, activation='relu'),   
  keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
])

model.compile(optimizer=keras.optimizers.Adam(0.001),
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=[keras.metrics.SparseCategoricalAccuracy()])

model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 

model.save_weights('./weights/mnist.weights.h5')

	from tensorflow import keras

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

	x_train = x_train / 255.0
	x_test = x_test / 255.0

	model = keras.models.Sequential([
	keras.layers.Flatten(input_shape=(28, 28)), # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
	keras.layers.Dense(512, activation='relu'), # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
	keras.layers.Dense(512, activation='relu'),
	keras.layers.Dense(10, activation='softmax') # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
	])

	model.compile(optimizer=keras.optimizers.Adam(0.001),
	loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
	metrics=[keras.metrics.SparseCategoricalAccuracy()])

	model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6)

	model.save_weights('./weights/mnist.weights.h5')