％matplotlib inline
导入tensorflow as tf
！pip install d2l
从d2l导入tensorflow as d2l
（x_train，y_train），（x_test，y_test）= tf.keras.datasets.fashion_mnist.load_data（）
＃y_train
＃d2l.show_images（tf.constant（x_train [：10]），1,10）
x_train.shape，y_train.shape
（（60000,28,28），（60000,））
＃一个热y，10个类
y_train_hot = tf.one_hot（y_train [：]，10）
y_train_hot.shape
TensorShape（[60000,10]）
x_train_shaped = tf.reshape（x_train，[60000，-1]）/ 255
x_train_shaped.shape，x_train_shaped [：1]
（TensorShape（[60000,784]），
<tf.Tensor：形状=（1,784），dtype = float32，numpy =
数组（[[0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.，0.]]，dtype = float32）>）
net = tf.keras.Sequential（[
tf.keras.layers.Dense（units = 10，input_dim = 784，activation = tf.keras.activations.softmax）
]）
sgd = tf.keras.optimizers.SGD（learning_rate = 0.01）
net.compile（optimizer = sgd，loss ='mse'，metrics = ['accuracy']）
history = net.fit（x_train_shaped，y_train_hot，batch_size = 1000，epochs = 500，validation_split = 0.2）
net.summary（）
Epoch 1/500
48/48 [==============================] - 0s 4ms/step - loss: 0.0957 - accuracy: 0.0224 - val_loss: 0.0950 - val_accuracy: 0.0231
Epoch 500/500
48/48 [==============================] - 0s 2ms/step - loss: 0.0347 - accuracy: 0.7809 - val_loss: 0.0346 - val_accuracy: 0.7787
Model: "sequential_2"
_________________________________________________________________
Layer（type） Output Shape Param #
=================================================================
dense_3（Dense） （None，10） 7850
=================================================================
Total params: 7,850
Trainable params: 7,850
Non-trainable params: 0
_________________________________________________________________
print（x_test.shape）
x_test_shaped = tf.reshape（x_test，[10000，-1]）/ 255
y_test_hot = tf.one_hot（y_test，10）
x_test_shaped.shape，y_test_hot.shape
（10000,28,28）
（TensorShape（[10000,784]），TensorShape（[10000,10]））
net.evaluate（x_test_shaped，y_test_hot）
313/313 [==============================] - 1s 2ms/step - loss: 0.0357 - accuracy: 0.7704
[0.03569139540195465,0.7703999876976013]
＃！pip install matplotlib
导入matplotlib.pyplot as plt
print（“keys：”，history.history.keys（））
plt.plot（history.history [“loss”]，label =“loss”）
plt.plot（history.history [“accuracy”]，label =“accuracy”）
plt.plot（history.history [“val_loss”]，label =“val_loss”）
plt.plot（history.history [“val_accuracy”]，label =“val_accuracy”）
plt.legend（）
plt.show（）
keys：dict_keys（['loss'，'accuracy'，'val_loss'，'val_accuracy']）
![png]（https://oss.rustynail.me/someone/api/files/get?filePath=files/output_9_1.png）
py = net.predict（x_test_shaped）
py.argmax（axis = 1）.shape
313/313 [==============================] - 0s 866us/step
（10000，）