注释是不言自明的:数据从 Keras 数据集库加载,然后转换为 2D arrray 并归一化为[0,1]范围。
注释是不言自明的:数据从 Keras 数据集库加载,然后转换为 2D 数组并归一化为`[0, 1]`范围。
1. 定义模型:
...
...
@@ -449,7 +449,7 @@ Test accuracy: 0.9816
太酷!!
[在此链接中查找更多关于 Keras in R 的示例](https://keras.rstudio.com/articles/examples/index.html)。
[在此链接中查找更多关于 R 中的 Keras 的示例](https://keras.rstudio.com/articles/examples/index.html)。
[有关 Keras R 软件包的更多文档可在此链接中找到](https://keras.rstudio.com/reference/index.html)。
...
...
@@ -503,7 +503,7 @@ Started TensorBoard at http://127.0.0.1:4233
TensorBoard 计算图的可视化有关 R 中 TensorBoard 的更多文档,[请访问此链接](https://tensorflow.rstudio.com/tools/tensorboard.html)。
# R 中的 tfruns 包
# R 中的`tfruns`包
您可以按照 Jupyter R 笔记本中的代码`ch-17d_TensorBoard_in_R`。
...
...
@@ -532,7 +532,7 @@ training_run('mnist_model.R')
# 总结
在本章中,我们学习了如何在 R 中使用 TensorFlow Core,TensorFlow Estimators 和 Keras 包来构建和训练机器学习模型。我们提供了来自 RStudio 的 MNIST 示例的演练,并提供了有关 TensorFlow 和 Keras R 软件包的进一步文档的链接。我们还学习了如何使用 R 中的可视化工具 TensorBoard。我们还介绍了一个来自 R Studio 的新工具`tfruns`,它允许您为多次运行创建报告,分析和比较它们,并在本地保存或发布它们。
在本章中,我们学习了如何在 R 中使用 TensorFlow 核心,TensorFlow 估计器和 Keras 包来构建和训练机器学习模型。我们提供了来自 RStudio 的 MNIST 示例的演练,并提供了有关 TensorFlow 和 Keras R 软件包的进一步文档的链接。我们还学习了如何使用 R 中的可视化工具 TensorBoard。我们还介绍了一个来自 R Studio 的新工具`tfruns`,它允许您为多次运行创建报告,分析和比较它们,并在本地保存或发布它们。
直接在 R 中工作的能力很有用,因为大量的生产数据科学和机器学习代码是使用 R 编写的,现在您可以将 TensorFlow 集成到相同的代码库中并在 R 环境中运行它。