tensorflow2.0 入门案例

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt


# 1.数据获取
mnist = tf.keras.datasets.mnist
(train_x, train_y), (test_x, test_y) = mnist.load_data()    # 数据拆分为训练集和测试集


# 2.模型构建
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=[28, 28]),          # Flatten 层用于展开张量
    tf.keras.layers.Dense(100, activation="relu"),          # 训练层1
    tf.keras.layers.Dense(100, activation="relu"),          # 训练层2
    tf.keras.layers.Dropout(0.5),                           # 防止过拟合，关闭50%的神经元
    tf.keras.layers.Dense(10, activation="softmax"),        # 输出层
])
model.compile(optimizer="adam",
              loss="sparse_categorical_crossentropy",
              metrics=['accuracy'])                         # optimizer优化算法，loss损失函数， metrics评估方法


# 3.模型训练
model.fit(train_x, train_y, epochs=5)                       # 1个epoch等于使用训练集中的全部样本训练一次；


# 4.模型评估
val = model.evaluate(test_x, test_y)                       # evaluate 模型评估
print(val)

结果输出：