一、六步法搭建八股
1.模块
2.数据集并shuffle
3.结构顺序
4.编译
5.使参数合适(前4step准备工作完成后,灌数据,训练网络,使参数合适)
6.总结
1.module
#iris Sequential
import tensorflow as tf
from sklearn import datasets
import numpy as np
#iris class
import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np
#############################################################
#大数据集的Sequential
import tensorflow as tf
#大数据集的class
import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model
2.dataset and shuffle
按数据集大小来分类:1.小型iris数据集。2.大型mnist和fashion_mnist数据集
小型数据集需要shuffle,大型数据集不需要。
注意:常用 x_test / 255.0 把输入特征的数值变小更适合神经网络吸收
#小型数据集
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
######################################################################
#大型数据集
fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0#把输入特征的数值变小更适合神经网络吸收
3.结构顺序
按是否使用系统提供的顺序,分为Sequential 和 class
#Sequential
#######################################
#小数据集
#######################################
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])
#####################################
#大数据集
#####################################
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
#########################################################################
#class
########################################################################
#小数据集
class IrisModel(Model):
def __init__(self):
super(IrisModel, self).__init__()
#d1是给这一层起的名字,每一层都用’self.‘引导
self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
def call(self, x):
y = self.d1(x)
return y
model = IrisModel()
#############################################
#大数据集
##############################################
class MnistModel(Model):
def __init__(self):
super(MnistModel, self).__init__()
self.flatten = Flatten()
self.d1 = Dense(128, activation='relu')
self.d2 = Dense(10, activation='softmax')
def call(self, x):
x = self.flatten(x)
x = self.d1(x)
y = self.d2(x)
return y
model = MnistModel()
4.编译
#iris dataset
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
#########################################################################
#大数据集
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
5.使参数合适
#从原数据集中分出test数据集
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
#######################################################################
#有特定的test数据集
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
6.总结
model.summary()