Tensorflow提高测试精度

Question

伙计们，我是tensorflow的新手，刚开始学习已经两天了。我遵循并制作tensorflow的步骤，并注意代码的含义。在那之后，我尝试做类似的项目，就像我在tensorflow教程中所做的那样。

由于只有两天的时间，我试着对图像进行分类。但测试结果的准确性很差，无法做出真实的评估。

你能指导我吗，教我如何改进这个代码，或者我应该学习什么来改进这个代码。。。

注意：-我已经在colabs.google中完成了这个项目(你可以在这里复制代码来尝试(-我获取的数据集===>https://www.cs.toronto.edu/~kriz/cifar.html

这是我的代码：

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
(train_i, train_l), (test_i, test_l) = tf.keras.datasets.cifar10.load_data()
classnames = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model = keras.Sequential([    
keras.layers.Flatten(),
keras.layers.Dense(100, activation='relu'), #burada kaç tane node olacağını belirtiyoruz yani mesela burada 108 se 108 tane node vardır. Node sayısını arrtırdıkça işlem hızımız düşüyor ama tahmin değerlerimiz gerçeğe daha yakın oluyor.
keras.layers.Dense(10) #burada ise 10 diyoruz çünkü 10 tane class içinden seçecek.
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(train_i, train_l, epochs=100)
test_loss, test_acc = model.evaluate(test_i,  test_l, verbose=2)
print(test_acc)
prediction = tf.keras.Sequential([model, tf.keras.layers.Softmax()]).predict(test_i)
i = 90
prediction[i]
prediction_made= np.argmax(prediction[i])
f= train_l[i]
s=str(train_l[i])
print(str(s)[1:-1])
b = int(str(s)[1:-1])
y = classnames[b]
x = classnames[prediction_made]
img = train_i
plt.grid(False)
plt.xticks([]) 
plt.yticks([]) 
plt.imshow(img[i])
plt.xlabel('The True Label is ' + repr(y) + 
', and The Predicted Label is ' + repr(x) + '...') 

Answer 1

您的"模型"已对正两次。

1. 模型.Sequential((
2. model=keras。顺序(…(

所以第一部分不包括在最终的"模型"中。

修改模型零件代码，如

model = keras.Sequential([  
keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32 ,3)),
keras.layers.MaxPooling2D((2, 2)),                     
keras.layers.Flatten(),
keras.layers.Dense(100, activation='relu'),
keras.layers.Dense(10)
])