知识卡片

操作参考卡 · 9866.h · 生成模型:Hunyuan

MNIST建模流程

理解等级:中级

A.9 与 A.10 共用同一套 MNIST 数据与模型,以便对比一般训练和分布式训练的差异。一般流程是:导入 os、time、tensorflow 与 Keras 各层,用 mnist.load_data 下载数据,把图像 reshape 成带通道的 4 维数组,再依据 K.image_data_format 判断通道在前还是在后,随后把像素缩放到 0 到 1、把标签转成独热编码。模型用 Sequential 顺序堆叠两组卷积与最大池化,接 Flatten 与两层 Dense,编译时用 categorical_crossentropy 与 Adam 并训练 12 个 epoch。这个基准实例的价值在于,它在一般方式下只用到一个 GPU,另一个几乎空闲,从而自然引出分布式训练的必要性。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》附录A 基于GPU的TensorFlow 2+与PyTorch 1+升级安装(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter21_0008.xhtml) - 结论依据:原文 A.9 依次给出导入库、加载数据、reshape 与通道处理、缩放与独热编码、Sequential 建模、编译训练,并在 A.9.7 指出只有一个 GPU 在工作。 - 原始内容:model.add(Dense(64, activation='relu'))#定义全连接层 model.add(Dense(10, activation='softmax'))#定义输出层 model.summary()#查看模型结构