Tensorflow构建模型过程中常用函数

import tensorflow as tf

1.  tf.keras.datasets

 tf.keras.datasets模块提供了一些玩具数据集（已经矢量化，Numpy 格式），可用于调试模型或创建简单的代码示例。(例MNIST数字数据集，Fashion MNIST dataset潮流衣服数据集)

#调用示例
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
'''
返回四个Numpy数组，train_images：训练数据；train_labels：训练标签；test_images：测试数据；test_labels：测试标签
'''

2. tf.keras.Sequential

        tf.keras.Sequential模块是为搭建神经网络的顺序模型而存在的，可以说是它是作为一个函数或者模块顺序调节器以及执行器。搭建的模型运行时是根据该函数中模块的顺序依次起作用。

#应用示例(两种方式)
#1.
model = tf.models.Sequential(
Dense(32, input_shape = (784.)),
Activation('relu')
)
#2.
model = tf.models.Sequential(）
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

 3.tf.keras.layers.Flatten

        tf.keras.layers.Flatten层的作用是将一个多维向量展开成为一维向量，可以理解为展开成一行向量，例若输入向量的大小为（None, 1, 10, 64）），则其展开后的向量大小为（None,640）。

#使用示例
>>> model = tf.keras.Sequential()
>>> model.add(tf.keras.layers.Conv2D(64, 3, 3, input_shape=(3, 32, 32)))
>>> model.output_shape
(None, 1, 10, 64)


>>> model.add(Flatten())
>>> model.output_shape
(None, 640)

4.tf.keras.layers.Dense

        tf.keras.layers.Dense层为全连接层，用以输出预测结果或预测概率。

Dense参数介绍
tf.keras.layers.Dense(
    units,
    activation=None,
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros',
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

#使用示例
 keras.layers.Dense(128, activation='relu')

5.model.compile

model.compile()方法用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准

model.compile(optimizer = 优化器，

                        loss = 损失函数，

                        metrics = ["准确率”])

6.model.evaluate 和 model.predict 

        model.evaluate 和 model.predict均是用来使用训练好的模型model来对预测数据进行测试，不同的是model.evaluate（）输入数据和标签，输出的是损失值和正确率；model.predict （）输入的是测试数据，输出的是测试结果(各标签的置信度，置信度最大的标签为该数据的标签)。

# model.predict和model.evaluate比较

loss,accuracy = model.evaluate(X_test,Y_test)



y_pred = model.predict(X_test,batch_size = 1)