神经网络的数据表示

清单2-5准备标记
从keras.utils导入_category
Train_labels=to_categorical(Train_labels)
Test_labels=to_category(Test_labels)
现在我们准备训练网络。在Keras中，这一步是通过调用网络的fit方法来完成的-
我们在训练数据上拟合（拟合）模型。
>>>Network.Fit(train_images,train_labels,Epochs=5,Batch_size=128)
历元1/5
60000/60000[=================================================================================================]-9S-损失：0.2524-ACC：0.9273
历2/5
51328/60000
在训练过程中显示两个数字：一个是训练数据中的网络丢失，另一个是训练数据中的网络丢失
训练数据的准确性。
我们在训练数据上很快达到了0.989（98.9%）的正确率。现在让我们检查模型是否正在测试
片场表演。
>>>test_loss,test_acc=network.evaluate（test_images,test_labels)
>>>打印('test_acc',test_acc)
TEST_ACCC:0.9785
测试集的正确率为97.8%，远低于训练集的正确率。这种训练精度和测试精度之间的差距是过拟合的
由.引起的关闭（过装）。过拟合是指机器学习模型在新数据上的性能往往比在训练数据上的性能差，并且它
是第三章的核心主题。
第一个例子到此结束。您刚刚看到了如何在不到20行的时间内构建和训练神经网络
Python代码对手写数字进行分类。下一章将详细说明此示例中的每个步骤，并解释其背后的内容
的原则。接下来，您将学习张量（输入到网络中的数据存储对象）、张量操作（层的元素）和梯子
度降低（允许网络从训练样本中学习）。
2.2神经网络的数据表示
上一个示例中使用的数据存储在一个多维Numpy数组中，也称为张量。一般来说，目前的研究所
一些机器学习系统使用张量作为基本数据结构。张量在这个领域非常重要，就像谷歌的
TensorFlow就是以它命名的。那么什么是张量呢？
张量概念的核心在于它是一个数据容器。它包含几乎总是数字的数据，所以它
它是一个数字的容器。你可能熟悉矩阵，它是二维张量。张量是矩阵到任意维数的推广[注，
张量的维数通常称为轴]