先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

这里是训练的结果：

4.输出

输出测试集上的预测准确率

输出

scores = model.evaluate(x_test,y_test)
print(scores)
print(“The accuracy of the model is %f” % scores[1]) #输出测试集上的预测准确率

这里是输出的结果：

5.画出图像

使用plt模块进行数据可视化处理

画出图像

plt.plot(history.history[‘loss’], color=‘red’, label=‘Loss’)
plt.legend(loc=‘best’)
plt.title(‘Training Loss’)
plt.show()

6.结论

第一种神经网络准确率：0.976200

二、搭建CNN网络

要求有1个卷积层，1个池化层，1个全局池化层（globalMaxPool），一个全连接输出层，激活函数自选

1.调用库函数

import matplotlib.pyplot as plt
import tensorflow as tf
import tensorflow_datasets as tfds
import math
from tensorflow.keras.layers import Conv2D,MaxPooling2D,GlobalMaxPooling2D,Flatten,Dense

2.调用数据集

加载keras内置的mnist数据库

调用数据集

dataset, metaset = tfds.load(‘mnist’, as_supervised=True, with_info=True)
train_dataset, test_dataset = dataset[‘train’], dataset[‘test’]

3.图片归一化

图片归一化

def normalize(images, labels):
images = tf.cast(images, tf.float32)
images /= 255
return images, labels
train_dataset = train_dataset.map(normalize)
test_dataset = test_dataset.map(normalize)

4.选择模型，构建网络

构建出1个卷积层，1个池化层，1个全局池化层（globalMaxPool），一个全连接输出层

选择模型，构建网络

model = tf.keras.Sequential()

卷积层

model.add(Conv2D(32, (5, 5), padding=‘same’, activation=tf.nn.relu, input_shape=(28, 28, 1))),

池化层

model.add(MaxPooling2D((2, 2), strides=2)),

全局池化层（globalMaxPool）

model.add(Conv2D(64, (5, 5), padding=‘same’, activation=tf.nn.relu)), # 卷积层
model.add(GlobalMaxPooling2D()),

全连接输出层

model.add(Flatten()),#展平
model.add(Dense(512, activation=tf.nn.relu)),
model.add(Dense(10, activation=tf.nn.softmax))# 输出结果是10个类别，所以维度是10，最后一层用softmax作为激活函数

5.编译

指明优化器、损失函数、准确率计算函数

编译（使用交叉熵作为loss函数）,指明优化器、损失函数、准确率计算函数

model.compile(optimizer=‘adam’,loss=‘sparse_categorical_crossentropy’,metrics=[‘accuracy’])

展示训练的过程

display(model.summary())

这里是输出的结果：

6.批量输入的样本个数

批量输入的样本个数

BATCH_SIZE = 64
num_train = metaset.splits[‘train’].num_examples
num_test = metaset.splits[‘test’].num_examples
train_dataset = train_dataset.repeat().shuffle(num_train).batch(BATCH_SIZE)
test_dataset = test_dataset.repeat().shuffle(num_test).batch(BATCH_SIZE)

7.训练

训练10个epoch

训练（训练10个epoch）

history = model.fit(train_dataset, epochs=10, steps_per_epoch=math.ceil(num_train / BATCH_SIZE))

这里是输出的结果：

8.输出

输出

test_loss, test_accuracy = model.evaluate(test_dataset, steps=math.ceil(num_test / BATCH_SIZE))
print(test_loss, test_accuracy)

这里是输出的结果：

9.画出图像

使用plt模块进行数据可视化处理

画出图像

plt.plot(history.history[‘loss’], color=‘red’, label=‘Loss’)
plt.legend(loc=‘best’)
plt.title(‘Training Loss’)
plt.show()

这里是输出的结果：

10.结论

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）
[外链图片转存中…(img-PWTauL6g-1713235547932)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！