tensorflow学习笔记（四）——keras搭建神经网络

步骤

1. 导入相关模块
2. 准备训练集和测试集
3. 在Sequential中搭建神经网络，逐层描述每层神经网络
4. 在compile中选择配置训练方法，告知优化器，损失函数，评测指标
5. 用fit函数进行训练
6. 用summary打印出网络结果和参数统计

函数提要

# 搭建网络结构
tf.keras.models.Sequential([第一层,第二层,...,第n层])

# 每一层使用什么层，可以去tf.keras.layers包中去寻找，以下举几个例子：
tf.keras.layers.Flatten():平铺层
tf.keras.layers.Dense():全连接层
tf.keras.layers.Conv2D():卷积层

# 配置神经网络的训练方法,这里的model是上一个函数的返回值，参数全是可选的
model.compile(optimizer=优化器,
			  loss=损失函数，
			  metrics=评测指标)

# 优化器
在tf.keras.optimizers包中
# 损失函数
在tf.keras.losses包中
# 衡量指标
在tf.keras.metrics包中

# 训练模型,model是Sequential生成的模型
model.fit(输入特征，
		  输出特征，
		  batch_size=每次训练的样本数，
		  epochs=迭代的次数)

# 打印网络结构，model是Sequential生成的模型
 model.summary()

鸢尾花代码覆写

在笔记二中，用tensorflow原生代码写过鸢尾花分类，这里覆写那个程序。

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(116)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

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()

自定义非顺序线性的神经网络

# Model表示继承tensorFlow的Model类
class 类名(Model)：
	def __init__(self):
		super(类名,self).__init__()
		定义网络结构块
# y是最终的输出层，x是输入数据
	def call(self,x):
		调用网络结构块，实现前向传播
		return y

# __init__():定义所需网络结构块
# call():将网络结构块进行组装，实现前向传播

改写鸢尾花分类

import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
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(116)

class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        y = self.d1(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()