tensorflow中tf.keras.models.Sequential()用法

tensorflow中tf.keras.models.Sequential()用法

Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构

model = tf.keras.models.Sequential([网络结构])  #描述各层网络

网络结构举例：

拉直层：tf.keras.layers.Flatten() #拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层

全连接层：tf.keras.layers.Dense(神经元个数，

                                                      activation = "激活函数“，

                                                      kernel_regularizer = "正则化方式）

其中：activation可选 relu 、softmax、 sigmoid、 tanh等

           kernel_regularizer可选 tf.keras.regularizers.l1() 、tf.keras.regularizers.l2()

卷积层：tf.keras.layers.Conv2D(filter = 卷积核个数，

                                                   kernel_size = 卷积核尺寸，

                                                   strides = 卷积步长,

                                                   padding = ”valid“ or "same")

LSTM层：tf.keras.layers.LSTM()

                                                                                   

 

实例代码：

    
    

      
      

       
       

      
      
      
      

       
       

        
        #第一步，import
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        import tensorflow 
        
        as tf 
        
        #导入模块
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        from sklearn 
        
        import datasets 
        
        #从sklearn中导入数据集
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        import numpy 
        
        as np 
        
        #导入科学计算模块
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        import keras
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        #第二步，train, test
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        x_train = datasets.load_iris().data 
        
        #导入iris数据集的输入
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        y_train = datasets.load_iris().target 
        
        #导入iris数据集的标签
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        np.random.seed(
        
        120) 
        
        #设置随机种子，让每次结果都一样，方便对照
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        np.random.shuffle(x_train) 
        
        #使用shuffle()方法，让输入x_train乱序
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        np.random.seed(
        
        120) 
        
        #设置随机种子，让每次结果都一样，方便对照
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        np.random.shuffle(y_train) 
        
        #使用shuffle()方法，让输入y_train乱序
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        tf.random.set_seed(
        
        120) 
        
        #让tensorflow中的种子数设置为120
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        #第三步，models.Sequential()
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        model = tf.keras.models.Sequential([ 
        
        #使用models.Sequential()来搭建神经网络
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            tf.keras.layers.Dense(
        
        3, activation = 
        
        "softmax", kernel_regularizer = tf.keras.regularizers.l2()) 
        
        #全连接层，三个神经元，激活函数为softmax,使用l2正则化
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        ])
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        #第四步，model.compile()
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        model.
        
        compile(  
        
        #使用model.compile()方法来配置训练方法
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            optimizer = tf.keras.optimizers.SGD(lr = 
        
        0.1), 
        
        #使用SGD优化器，学习率为0.1
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = 
        
        False), 
        
        #配置损失函数
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            metrics = [
        
        'sparse_categorical_accuracy'] 
        
        #标注网络评价指标
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        )
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        #第五步，model.fit()
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        model.fit(  
        
        #使用model.fit()方法来执行训练过程，
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            x_train, y_train, 
        
        #告知训练集的输入以及标签，
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            batch_size = 
        
        32, 
        
        #每一批batch的大小为32，
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            epochs = 
        
        500, 
        
        #迭代次数epochs为500
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            validation_split = 
        
        0.2, 
        
        #从测试集中划分80%给训练集
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
            validation_freq = 
        
        20 
        
        #测试的间隔次数为20
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        )
       
       
      
      

      
      

       
       

      
      
      
      

       
       
 
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        #第六步，model.summary()
       
       
      
      

      
      

       
       

      
      
      
      

       
       

        
        model.summary() 
        
        #打印神经网络结构，统计参数数目