一. tf.keras 搭建神经网络六步法
1. import 相关模块
如 import tensorflow as tf。
2. 指定输入网络的训练集和测试集
如指定训练集的输入 x_train 和标签 y_train,测试集的输入 x_test 和标签 y_test。
3. 逐层搭建网络结构
model = tf.keras.models.Sequential()。
4. 在 model.compile()中配置训练方法
选择训练时使用的优化器、损失函数和最终评价指标。
5. 在 model.fit()中执行训练过程
告知训练集和测试集的输入值和标签、 每个 batch 的大小(batchsize)和数据集的迭代次数(epoch)。
6. 使用 model.summary()打印网络结构
统计参数数目。
二. 函数用法介绍
1. tf.keras.models.Sequential()
Sequential 函数是一个容器,描述了神经网络的网络结构,在 Sequential 函数的输入参数中描述从输入层到输出层的网络结构。
如:
1.1. 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。
1.2. 全连接层Dense
tf.keras.layers.Dense( 神经元个数,
activation=”激活函数”,
kernel_regularizer=”正则化方式”)
其中:
1). activation(字符串给出)可选 relu、softmax、sigmoid、tanh 等
2). kernel_regularizer 可选 tf.keras.regularizers.l1()、tf.keras.regularizers.l2()
1.3. 卷积层Conv2D
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”)
1.4. LSTM 层
tf.keras.layers.LSTM()。
这里只使用拉直层和全连接层,还有卷积层和循环神经网络层
2. model.compile
Model.compile( optimizer = 优化器,
loss = 损失函数,
metrics = [“准确率”])
Compile 用于配置神经网络的训练方法,告知训练时使用的优化器、损失函 数和准确率评测标准。
其中:
2.1. optimizer
可以是字符串形式给出的优化器名字,也可以是函数形式,使用函数 形式可以设置学习率、动量和超参数。
可选项包括:
1). ‘sgd’or tf.optimizers.SGD( lr=学习率,
decay=学习率衰减率,
momentum=动量参数) ‘
2). 'adagrad’or tf.keras.optimizers.Adagrad(lr=学习率,
decay=学习率衰减率)
3). ‘adadelta’or tf.keras.optimizers.Adadelta(lr=学习率,
decay=学习率衰减率)
4). ‘adam’or tf.keras.optimizers.Adam (lr=学习率,
decay=学习率衰减率)
2.2. Loss
Loss 可以是字符串形式给出的损失函数的名字,也可以是函数形式。
可选项包括:
1). ‘mse’ 或 tf.keras.losses.MeanSquaredError()
2). ‘sparse_categorical_crossentropy 或tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
损失函数常需要经过 softmax 等函数将输出转化为概率分布的形式。 from_logits 则用来标注该损失函数是否需要转换为概率的形式,取 False 时表 示转化为概率分布,取 True 时表示没有转化为概率分布,直接输出。
2.3. Metrics
Metrics 标注网络评测指标
可选项包括:
1). ‘accuracy’:y_和 y 都是数值,如 y_=[1] y=[1]。
2). ‘categorical_accuracy’:y_和 y 都是以独热码和概率分布表示。
如y_=[0, 1, 0], y=[0.256, 0.695, 0.048]。
3). ‘sparse_ categorical_accuracy’:y_是以数值形式给出,y 是以独热码形式 给出。
如 y_=[1],y=[0.256, 0.695, 0.048]。
3. model.fit
fit 函数用于执行训练过程
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),
validataion_split = 从测试集划分多少比例给训练集,
validation_freq = 测试的 epoch 间隔次数)
4. model.summary
——model.summary()
summary 函数用于打印网络结构和参数统计
上图是 model.summary()对鸢尾花分类网络的网络结构和参数统计,对于一 个输入为 4 输出为 3 的全连接网络,共有 15 个参数。