深度学习理论向应用的过渡课程【北京大学_TensorFlow2.0笔记】学习笔记（五）——搭建神经网络的结构和可选项·强推本节

1、搭建神经网络的六步法 ——TensorFlow的API tf.keras

import

train, test——输入特征、标签

model = tf.keras.models.Sequential——逐层搭建，前向传播

model.compile——配置训练方法，优化器、损失函数、评价指标

model.fit——训练过程，epoch、batch

model.summary——结构、参数统计

 

2、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.kears.Flatten() ——不含计算，只有形状转换，将输入特征拉直成一维数组

全连接层：tf.keras.Dense(神经元个数，activation="激活函数"，kernel_regulation=正则化方法)

activation (字符串给出)：relu、softmax、sigmoid、tanh

kernel_regulation可选：tf.keras.regulations.l1()、tf.keras.regulations.l2()

卷积层：tf.keras.layers.Conv2D(filters = 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()

 

3、model.compile(optimizer = 优化器，loss = 损失函数，metrics = ["准确率"])

optimizer可选：——可以为字符串形式或函数形式，入门时建议使用字符串形式

'sgd'  或  tf.keras.optimizer.SGD(lr=学习率，momentum=动量参数)

'agagrad'  或  tf.keras.optimizer.Agagrad(lr=学习率)

'adadelta'  或 tf.keras.optimizer.Adadelta(lr=学习率)

'adam'  或  tf.keras.optimizer.Adam(lr=学习率，beta_1=0.9，beta_2=0.999)

 

loss可选：

'mse'  或  tf.keras.losses.MeanSquareError()

'sparse_categorical_crossentropy'  或  tf.keras.losses.SparseCategoricalCrossEntropy(from_logits=False)

——括号内询问是否为原始输出，若经过softmax之后的概率分布输出则为false

 

Metrics可选：——网络评测指标

'accuracy' ：y_ 和y都为数值，如y_=[1]，y=[1]

'categorical_accuracy'：y_ 和y都为独热编码（概率分布），如y_=[0,1,0]，y=[0.256,0.695,0.048]

'sparse_categorical_accuracy'：y_ 为数值，y为独热码（概率分布），如y_=[1]，y=[0.256,0.695,0.048]

 

4、model.fit(训练集的输入特征，训练集的标签，

                        batch_size=  , epochs=  ,

                        validation_data=(测试集的输入特征，测试集的标签)，

                        validation_split=从训练集划分多少比例给测试集，

                        validation_freq=多少次epoch测试一次)

 

5、model.summary( )

 

以上模块搭建鸢尾花识别示例：