定义网络模型的两种方式
Sequential 模型
Sequential 模型是最简单的模型,适用于从上到下按顺序堆叠各层的情况。
- 1)定义模型架构
model = models.Sequential([
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax')
])
- 2)配置模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
- 3)准备数据
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
- 4)训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)
- 5)评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')
- 6)进行预测
predictions = model.predict(test_images)
- 7)保存和加载模型
model.save('my_model.h5')
# 加载模型
new_model = tf.keras.models.load_model('my_model.h5')
函数式API模型
当需要构建更复杂的网络结构(如多输入多输出、共享层等)时,可以使用函数式 API。使用 layers 定义网络的好处:
简洁性:可以轻松地将各类层(如卷积层、全连接层、池化层等)组合起来。
灵活性:可以通过不同的层配置和连接方式,创建从简单到复杂的网络结构。
模块化:每个层都是一个模块,可以独立定义、调整和测试。
from tensorflow.keras import layers, models, Input
inputs = Input(shape=(28, 28, 1))
x = layers.Conv2D(32, (3, 3), activation='relu')(inputs)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Flatten()(x)
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=inputs, outputs=outputs)