tf.keras搭建网络八股

import

对各种库的导入

import tensorflow as tf
import numpy as np

train，test

对数据进行提取，划分出数据集和测试集

model = tf.keras.models.Sequential

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()
• 全连接层：tf.keras.layers.Dense(神经元个数,activation=“激活函数”,kernel_regularizer=正则化)
  • activation可选：relu、softmax、sigmoid、tanh
  • kernel_regularizer可选：tf.keras.regularizers.l1()、tf.keras.regularizers.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()

class MyModel(Model) model = MyModel()

上面的网络结构只能是顺序的，不能创建跳跃的非顺序的网络结构，所以可以使用类class创建神经网络结构

class MyModel(Model):
	def __init__(self):
		super(MyModel,self).__init__()
		# 定义网络结构块
	def call(self,x):
		# 调用网络结构快，实现前向传播
		return y
model = MyModel()

model.compile

配置训练神经网络的训练方法
model.compile(optimizer = 优化器,loss = 损失函数,metrics=[“准确率”])
optimizer可选：

• ‘sgd’ or tf.keras.optimizers.SGD(lr=学习率,momentum=动量参数)
• ‘adagrad’ or tf.keras.optimizers.Adagrad(lr=学习率)
• ‘adadelta’ or tf.keras.optimizers.Adadelta(lr=学习率)
• ‘adam’ or tf.keras.optimizers.Adam(lr=学习率,beta_1 = 0.9,beta_2=0.999)

loss可选：

• ‘mse’ or tf.keras.losses.MeanSquaredError()
• ‘sparse_categorical_crossentropy’ or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

metrics可选：

• ‘accuracy’ :y_和y都是数值，如y_ = [1] y = [1]
• ‘categorical_accuracy’ : y_ 和 y都是独热码(概率分布)，如y_=[0,1,0] y=[0.256,0.695,0.048]
• ‘sparse_categorical_accuracy’ : y_是数值，y是独热码(概率分布)，如y_=[1],y=[0.256,0.695,0.048]

model.fit

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=(测试机的输入特征,测试机的标签),
validation_split=从训练集划分多少比例给测试机,
validation_freq=多少次epoch测试一次)

model.summary

打印出网络结构和参数统计

鸢尾花案例

import tensorflow as tf
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(16)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3,activation="softmax",kernel_regularizer=tf.keras.regularizers.l2())
])
'''
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
class IrisModel(Model):
	def __init__(self):
		super(IrisModel,self).__init__()
		self.dl = Dense(3,activation='sigmoid',kernel_regularizer=tf.keras.regularizers.l2())
	def call(self,x):
	 	y = self.dl(x)
	 	return y
model = IrisModel()
'''

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)

model.summary()