一、利用tf.keras.Squential()构建简单的网络
1.1第一步构建一个网络
代码
import tensorflow as tf
model = tf.kears.Sequential([layer1,layer2,...])
其中Sequential将层叠线性分组到 tf.keras.Model 中。
继承自Model,Module,Layer
model = tf.keras.models.Sequential([网络结构]) #描述各层网络
tf.keras.Sequential(
layers=None, name=None)
参数
layers:要添加到模型中的可选图层列表。
name:模型的可选名称
如下列子:
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4)
1.3定义损失函数
mse = tf.keras.losses.MeanSquaredError()
1.4定义优化器及学习率
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)
1.5模型装载
model.compile()
model.compile(
optimizer,
loss = None,
metrics = None,
loss_weights = None,
sample_weight_mode = None,
weighted_metrics = None,
target_tensors = None
)
其opimizer:优化器,用于控制梯度裁剪。必选项
loss:损失函数(或称目标函数、优化评分函数)。必选项
metrics:评价函数用于评估当前训练模型的性能。当模型编译后(compile),评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似,只不过评价函数的结果不会用于训练过程中
1.6 初始化
包括常量和变量
1.7定义偏微分方程
后面会发具体的流程,想要文章源码的私我哦
原文链接:https://blog.csdn.net/huang1024rui/article/details/120055487