机器学习基本过程（之一）

目录

 

基本过程

定义模型

训练模型

预测

采用tensorflow不同接口的实现方法

  使用Keras

使用 Estimator 构建模型 

  tensorflow低阶api 

 使用Keras

1. 定义模型

1.继承 tf.keras.Model，定义网络每一层。

import tensorflow as tf

class MyModel(tf.keras.Model):

  def __init__(self):
    super(MyModel, self).__init__()
    self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
    self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
    self.dropout = tf.keras.layers.Dropout(0.5)

  def call(self, inputs, training=False):
    x = self.dense1(inputs)
    if training:
      x = self.dropout(x, training=training)
    return self.dense2(x)

model = MyModel()

                 2.定义tf.keras.models.Sequential的对象。（适合于串行网络）,模型是层的简单堆叠，无法表示任意模型。

# Optionally, the first layer can receive an `input_shape` argument:
model = Sequential()
model.add(Dense(32, input_shape=(500,)))
# Afterwards, we do automatic shape inference:
model.add(Dense(32))

网络的每一层可以用tf.keras.layers.Layer包中定义的层。模型从输入层开始，逐个添加每一层。

2.训练模型 

模型还需要再进行几项设置才可以开始训练。这些设置会添加到模型的编译步骤：

• 损失函数 - 衡量模型在训练期间的准确率。我们希望尽可能缩小该函数，以“引导”模型朝着正确的方向优化。
• 优化器 - 根据模型看到的数据及其损失函数更新模型的方式。
• 指标 - 用于监控训练和测试步骤。以下示例使用准确率，即图像被正确分类的比例。

model.compile(optimizer=tf.train.AdamOptimizer(),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

训练神经网络模型需要执行以下步骤：

1. 将训练数据馈送到模型中，在本示例中为 train_images 和 train_labels 数组。
2. 模型学习将图像与标签相关联。
3. 我们要求模型对测试集进行预测，在本示例中为 test_images 数组。我们会验证预测结果是否与 test_labels 数组中的标签一致。 

model.fit(train_images, train_labels, epochs=5, validation_data=vd)

3.预测

predictions = model.predict(test_images)