NOTE_北大tensorflow_Chapter3

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()