实战keras2.0 API:tf.keras快速搭建网络

1、import

导入相关模块。如import tensorflow as tf等

import tensorflow as tf
import  numpy as np

---

2、准备数据train、test

这里使用了tk.keras,datasets.mnist.laod_data()下载MNIST手写识别数据集

指定训练集的输入特征x_train和训练集的标签y_train

指定测试集的输入特征x_test和测试集的标签y_test

数据的预处理操作

import tensorflow as tf
import  numpy as np

#下载MNISRT数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

#归一化
x_train = x_train / 255.0 
x_test = x_test / 255.0

---

3、搭建网络model=tf.keras.models.Sequential

在Sequential中搭建网络结构，逐层描述每层网络

import tensorflow as tf
import  numpy as np

#网络结构举例：

#拉平层
tf.keras.layers.Flatten()

#卷积层
#filters卷积核个数
#kernel_size卷积核大小
#strides卷积步长
#padding全零填充可选（‘SAME’、‘VALID’、或者填入数字）
tf.keras.layers.Conv2D(filters=32,kernel_size=3,strides=1,padding='valid')

#全连接层
#activation字符串给出可选（relu、softmax、sigmoid、tanh等）
#kernel_regularizer正则化可选（tf.keras.regularizers.l1()、tf.keras.regularizers.l2()）
tf.keras.layers.Dense(30,activation='relu',kernel_regularizer=tf.keras.regularizers.l1())

#LSTM层
tf.keras.layers.LSTM()

---

4、配置训练model.compile

在compile中配置训练方法，如训练时选择哪种优化器、损失函数及评测指标。

#optimizer优化器可选（‘sgd’、‘adagrad’、‘adadelta’、‘adam’）
#loss损失函数可选（‘mse’、‘sparse_categorical_crossentropy’）
#metrice准确率可选（‘accuracy’、‘categorical_accuracy’、‘sparse_categorical_accuracy’）
model.compile(optimizer='sgd',
              loss='mse',
              metruces=['categorical_accuracy']
              )

---

5、model.fit

在fit中，设置训练集和测试集的特征和标签、batch_size、迭代次数

#第一个参数是训练集的特征
#第二个参数是训练集的标签
#batch_size每次训练的样本数
#epochs要迭代多少次数据集
#validation_data和validation_splice两者二选一
#validation_data（测试集的特征，测试集的标签）
#validation_splice表示从训练集里划分多少比例给测试集
#validation_freq表示多少次epochs测试一次
model.fit(x_train,y_train,batch_size=32,epochs=500,validation_splice=0.2,validation_freq=20)

---

6、model.summary

summary打印网络结构和参数

model.summary()