TensorFlow-2.x-06-MLP的簡潔實現

        上一章用TF-2.x實現了MLP的從0開始。本章我使用TF-2.x中的高階API來實現MLP（多層感知機），很簡單，只需要3步即可。

P.S:本章所使用的數據集依舊是fashionmnist數據集。

1、數據集讀取

# 1、讀取數據集
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0 #圖像歸一化

2、定義模型

def model():
    net=tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=[28,28]),
    tf.keras.layers.Dense(128,"relu"),
    tf.keras.layers.Dense(10,"softmax"),
    ])
    return net

3、訓練

net=model()
#網絡配置
net.compile(optimizer=tf.keras.optimizers.SGD(0.3),loss=tf.losses.sparse_categorical_crossentropy,
            metrics=["accuracy"])
net.fit(x_train,y_train,128,10,validation_data=(x_test,y_test))

訓練結果：

下面附上所有源碼：

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

# 1、讀取數據集
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 2、定義模型
def model():
    net=tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=[28,28]),
    tf.keras.layers.Dense(128,"relu"),
    tf.keras.layers.Dense(10,"softmax"),
    ])
    return net
#3、訓練
net=model()
#網絡配置
net.compile(optimizer=tf.keras.optimizers.SGD(0.3),loss=tf.losses.sparse_categorical_crossentropy,
            metrics=["accuracy"])
net.fit(x_train,y_train,128,10,validation_data=(x_test,y_test))