Создать программу для распознавания рукописных цифр с использованием TensorFlow.
Распознавание рукописных цифр с TensorFlowЗадание: Создать программу для распознавания рукописных цифр с использованием TensorFlow. import tensorflow as tf from tensorflow.keras import layers from tensorflow.keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 model = tf.keras.models.Sequential([ layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(64, kernel_size=(3, 3), activation='relu'), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dropout(0.5), layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=5, validation_split=0.1) test_loss, test_acc = model.evaluate(test_images, test_labels) print(f"Test Accuracy: {test_acc * 100:.2f}%") Результат выполнения кодаПосле обучения модели на наборе данных MNIST точность на тестовом наборе составляет примерно 99%. Этот код использует TensorFlow и Keras для создания сверточной нейронной сети (CNN), которая обучается на наборе данных MNIST для распознавания рукописных цифр. Модель использует два сверточных слоя и два слоя максимального пулинга для извлечения признаков, а затем полносвязный слой для классификации. | |
| |
Просмотров: 23 | |
Всего комментариев: 0 | |