tensorflow2.x处理多分类问题模板

import os
os.environ['CUDA_VISIBLE_DEVICES']='-1'
from tensorflow.keras import layers,losses,optimizers,activations,metrics,utils#utils工具箱，里边有好多工具，独热就在里边
import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
import matplotlib.pyplot as plt
# (1)数据处理
# ①读取data-04-zoo.csv文件 np.loadtxt
# ②数据按照float类型处理
data=np.loadtxt('./data-04-zoo.csv',delimiter=',',dtype=np.float32)
x=data[:,:-1]
y=data[:,-1:]
# ⑤对y标签进行独热处理 tensorflow.keras.utils.to_cate
#y=utils.to_categorical(y,num_classes=7)#num_classe表示有多少类
train_x,test_x,train_y,test_y=train_test_split(x,y ,test_size=0.3,shuffle=True)#shuffle是洗牌
# (2)模型处理
# ①创建模型 Sequential
model=Sequential()
# ②根据分类情况，设置网络，使用合理激活函数 layers.Dense layers.Activition
# 添加隐藏层和输出层，要求两层隐藏Dense层神经元个数分别为 14，10，激活函数relu，输出层激活函数softmax
model.add(layers.Dense(12,input_dim=16,activation='relu'))
model.add(layers.Dense(8,activation=activations.relu))
model.add(layers.Dense(7,activation=activations.softmax))
# ③编译模型，使用合理的优化器、代价函数及评估指标 optimizers losses metrics
# model.compile(optimizer=optimizers.Adam(),loss=losses.categorical_crossentropy,metrics='acc')
model.compile(optimizer=optimizers.Adam(),loss=losses.sparse_categorical_crossentropy,metrics='acc')
# ④训练模型400次 fit
train_log=model.fit(train_x,train_y,epochs=400)

print("训练历史日志-损失值：", train_log.history['loss'])
print("训练历史日志-准确率：", train_log.history['acc'])

# 模型最终的损失值和准确率
loss,acc=model.evaluate(test_x,test_y)
print('Loss:',loss,'acc:',acc)
loss_list=train_log.history['loss']
plt.plot(loss_list)
plt.show()