tensorflow2.0使用GradientTape自定义训练鸢尾花分类器

最新推荐文章于 2023-02-18 13:41:46 发布

苏格拉-

最新推荐文章于 2023-02-18 13:41:46 发布

阅读量376

点赞数

分类专栏： tensorflow 文章标签： tensorflow 深度学习

本文链接：https://blog.csdn.net/qq_40268412/article/details/105071679

版权

本文介绍了如何使用Tensorflow 2.0的GradientTape进行自定义训练，以鸢尾花数据集为例，详细展示了模型定义、损失函数构建、训练过程及预测结果。

摘要由CSDN通过智能技术生成

本文根据谷歌Tensorflow的官方事例进行介绍。官方事例在自定义训练：演示中查看。通过该实例可以更好的了解GradientTape的使用，尤其在自定义网络损失函数时尤其重要。
在原事例中使用的是url下载谷歌的鸢尾花数据集，由于网络原因下载失败，于是选用sklearn中的鸢尾花数据集。具体实现代码如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
iris = load_iris()
features = iris["data"]  #shape: (150, 4)
labels = iris["target"]  #shape: (150,)
class_names = iris["target_names"]   #['setosa' 'versicolor' 'virginica']

定义模型、损失函数、建立梯度带实现代码如下所示：

# 建立简单的全连接网络
model = tf.keras.Sequential([
  tf.keras.layers.Dense(10, activation=tf.nn.relu, input_shape=(4,)),  # 需要给出输入的形式
  tf.keras.layers.Dense(10, activation=tf.nn.relu),
  tf.keras.layers.Dense(3)
])

# 建立损失函数
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_lo