如何使用TensorFlow在Python中为Fashion MNIST数据集构建模型？
Tensorflow是Google提供的一种机器学习框架。它是一个开放源代码框架，与Python结合使用以实现算法，深度学习应用程序等等。它用于研究和生产目的。
可以使用下面的代码行在Windows上安装'tensorflow'软件包-
pip install tensorflow
Tensor是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。该流程图称为“数据流程图”。张量不过是多维数组或列表。
“时尚MNIST”数据集包含各种服装的图像。它包含超过10万个类别的7万多件衣服的灰度图像。这些图像的分辨率较低（28x28像素）。我们正在使用Google合作实验室来运行以下代码。
GoogleColab或Colaboratory可以帮助通过浏览器运行Python代码，并且需要零配置和对GPU（图形处理单元）的免费访问。合作已建立在JupyterNotebook的基础上。
以下是在Python中为FashionMNIST数据集建立模型的代码片段-
示例
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)
])
print("Sequential model is being built")
model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
print("Sequential model is being compiled")代码信用-https://www.tensorflow.org/tutorials/keras/classification
输出结果
Sequential model is being built Sequential model is being compiled
解释
模型中的层已配置。
图层是神经网络的基本模块，它从作为输入数据提供给图层的数据中提取表示。
许多简单的图层组合在一起。
一些层还具有在训练阶段调整为达到最佳值的参数。
第一层“Flatten”将图像从2D数组转换为1D数组。
该层没有任何需要学习的参数。
像素变平后，将建立两个“密集”层，其中每个密集层都有128个神经元。最后一层表示长度为10的logits数组。
每个神经元/节点都包含一个值，该值是表明图像所属类别的分数。
然后编译模型。