在Python中使用适当的超参数训练MNIST模型

这是我的代码，我不知道为什么它给了我0.3%的准确率

有人能告诉我这个代码有什么问题吗

def列列表（）：
mnist=tf.keras.datasets.mnist
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
x_系列，x_测试=x_系列/255.0，x_测试/255.0
模型=tf.keras.models.Sequential([
tf.keras.layers.Flatten（输入_形状=（28,28）），
tf.keras.layers.Dense（128，活化='relu'），
tf.keras.层压降（0.2），
tf.keras.致密层（10）
])
model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
历史=模型.fit（x_系列，y_系列，历代=5）
返回history.epoch，history.history['acc'][-1]
列车时刻表（）

---

非常感谢这会有用的！试试这个

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)


model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])

---

这会有用的！试试这个

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)


model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])

---

问题似乎是你失去了功能

试试这个：

方法1

您可以使用

categorical\u crossentropy

作为损失，但最后一层应该是

tf.keras.layers.Dense(10,activation='softmax')

然后

model.compile(optimizer = 'adam', 
              loss"categorical_crossentropy", 
              metrics=["accuracy"])

方法2

在您的例子中，需要定义

sparse\u categorical\u crossentropy

损失

tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True,name='sparse_categorical_crossentropy')

---

要了解这两者的区别，请参见

，问题似乎在于损失函数

试试这个：

方法1

您可以使用

categorical\u crossentropy

作为损失，但最后一层应该是

tf.keras.layers.Dense(10,activation='softmax')

然后

model.compile(optimizer = 'adam', 
              loss"categorical_crossentropy", 
              metrics=["accuracy"])

方法2

在您的例子中，需要定义

sparse\u categorical\u crossentropy

损失

tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True,name='sparse_categorical_crossentropy')

---

要理解这两者的区别，请看

我想这不是你想要的，但它可能会帮助某人：卷积神经网络将是最好的选择。我想这不是你想要的，但它可能会帮助某人：卷积神经网络将是最好的选择。