Jupyter Notebook深度学习模型
时间: 2025-01-01 10:25:53 浏览: 50
### 如何在 Jupyter Notebook 中创建和训练深度学习模型
#### 创建新的 Jupyter Notebook 文件
启动 Jupyter Notebook 后,在浏览器界面中点击 "New" 并选择 Python 版本来新建一个笔记本文件。这将打开一个新的工作区,可以在此编写代码并执行单元格。
#### 导入必要的库
为了构建深度学习模型,通常会依赖于一些流行的框架如 TensorFlow 或 PyTorch。下面是一个导入这些库的例子:
```python
import tensorflow as tf
from tensorflow import keras
print(tf.__version__)
```
#### 加载数据集
准备用于训练的数据非常重要。可以从本地加载自定义数据集或将公共可用的数据集直接下载到环境中。这里展示了一个简单的例子,使用 Keras 自带的小型图像分类数据集 CIFAR-10[^1]。
```python
# 载入CIFAR-10 数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
# 归一化处理输入图片像素值至 [0, 1] 区间内
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
# 将标签转化为 one-hot 编码形式
y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)
```
#### 构建模型架构
设计合适的网络结构对于解决特定问题是至关重要的。以下是如何定义一个多层感知器(MLP) 的简单实例:
```python
model = keras.models.Sequential([
keras.layers.Flatten(input_shape=(32, 32, 3)),
keras.layers.Dense(64, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')
])
```
#### 配置编译选项
设置损失函数、优化算法以及评估指标等超参数之前先完成上述步骤之后再继续如下操作:
```python
model.compile(loss="categorical_crossentropy",
optimizer=tf.keras.optimizers.Adam(),
metrics=["accuracy"])
```
#### 训练过程
现在准备好一切就可以开始实际的训练流程了。通过调用 `fit` 方法传入训练样本及其对应的标签即可开启自动化的迭代更新权重的过程[^2]。
```python
history = model.fit(
x=x_train,
y=y_train,
batch_size=32,
epochs=10,
validation_split=0.2
)
```
阅读全文
相关推荐



















