# -*- coding: utf-8 -*- # 读取Tensorflow2.X内置的mnist服饰数据集（注：如网速太慢，可用以下载好的数据集）， # 构建多层神经网络分类模型,并输出预测准确率rv from __future__ import absolute_import ,division,print_function,unicode_literals import tensorflow as tf import numpy as np import os from PIL import Ima

### 构建基于 TensorFlow 2.X 的多层神经网络分类模型 以下是实现基于 TensorFlow 2.X 加载 MNIST 服饰数据集并构建多层神经网络分类模型的具体方法： #### 数据准备 首先，需要加载 `fashion_mnist` 数据集。该数据集包含 70,000 张灰度图像，分为 10 类服装类别。 ```python import tensorflow as tf from tensorflow.keras import layers, models import numpy as np # 加载 Fashion MNIST 数据集 fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() # 归一化处理 train_images = train_images / 255.0 test_images = test_images / 255.0 ``` 以上代码展示了如何加载和预处理数据[^1]。归一化的目的是将像素值缩放到 `[0, 1]` 范围内，以便提高模型收敛速度。 --- #### 模型定义 接下来，定义一个多层神经网络模型。这里采用简单的全连接网络结构作为基础示例。 ```python model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), # 将输入展平为一维向量 layers.Dense(128, activation='relu'), # 隐藏层，使用 ReLU 激活函数 layers.Dropout(0.2), # Dropout 层用于防止过拟合 layers.Dense(10, activation='softmax') # 输出层，使用 Softmax 进行多类分类 ]) ``` 此部分代码实现了模型架构的设计[^3]。其中，`Flatten` 层负责将二维图像转换为一维张量；`Dense` 层则构成全连接网络的核心组件。 --- #### 编译与训练 完成模型设计后，需对其进行编译，并指定损失函数、优化器以及评价指标。 ```python model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy']) history = model.fit(train_images, train_labels, epochs=10, validation_split=0.2) ``` 此处采用了 Adam 优化算法来最小化稀疏交叉熵损失函数[^2]。同时，在训练过程中保留了 20% 的验证集以监控泛化性能。 --- #### 测试与评估 最后一步是对测试集进行预测，并计算最终的准确率。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'\nTest Accuracy: {test_acc}') ``` 这段代码执行了模型在未见过的数据上的表现评估[^1]。通过调用 `evaluate` 方法可以直接获取到测试集上的损失值和准确率。 --- ### 完整代码示例 综合上述各部分内容，完整的 Python 实现如下所示： ```python import tensorflow as tf from tensorflow.keras import layers, models import numpy as np # 数据加载与预处理 fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() train_images, test_images = train_images / 255.0, test_images / 255.0 # 模型搭建 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dropout(0.2), layers.Dense(10, activation='softmax') ]) # 模型编译 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy']) # 训练过程 history = model.fit(train_images, train_labels, epochs=10, validation_split=0.2) # 测试评估 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'\nTest Accuracy: {test_acc}') ``` ---