TensorFlow2.0快速构建模型

主要介绍如何快速构建一个模型并进行训练，重点在于模型构建流程的讲解，其中所用到的API可以通过头文件、官网查询其功能，参数，输入与输出数据

简单堆叠模型

• model = tf.keras.Sequential()，可理解为实例化一个用于构建模型的类，我们可以通过add()的方式向其内部添加网络层，这些网络层就等价于类中的成员与方法

# 实例化一个堆叠模型
model = tf.keras.Sequential()
# 构建模型的网络层结构
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

• 设置训练流程，调用compile()方法，对优化器，损失函数，性能指标进行配置

model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=[tf.keras.metrics.categorical_accuracy])

• 训练网络，调用fit()方法，送入数据对模型进行训练

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

model = tf.keras.Sequential()
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=[tf.keras.metrics.categorical_accuracy])

train_x = np.random.random((1000, 72))
train_y = np.random.random((1000, 10))

val_x = np.random.random((200, 72))
val_y = np.random.random((200, 10))

model.fit(train_x, train_y, epochs=1000, batch_size=100,
          validation_data=(val_x, val_y))

函数式构建模型

tf.keras.Sequential()属于简单模型的堆叠，无法完成复杂模型的构建（多输入、多输出模型、包含共享层的模型、残差结构的模型），因此通过函数式API构建模型

• 定义模型的输入，网络中间层，模型的输出；相比于堆叠模型add()方法的方式，该方式构建模型更灵活

# 输入数据的维度需提前指定，并且数据维度需保持与定义一致
input_x = tf.keras.Input(shape=(72,))
hidden1 = layers.Dense(32, activation="relu")(input_x)
hidden2 = layers.Dense(16, activation="relu")(hidden1)
pred = layers.Dense(10, activation="softmax")(hidden2)

• 调用tf.keras.Model()方法构建模型，只需要写入输入与输出

model = tf.keras.Model(inputs=input_x, outputs=pred)

• 设置训练流程，训练网络与上部分构建堆叠模型一致

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

input_x = tf.keras.Input(shape=(72,))
hidden1 = layers.Dense(32, activation="relu")(input_x)
hidden2 = layers.Dense(16, activation="relu")(hidden1)
pred = layers.Dense(10, activation="softmax")(hidden2)

model = tf.keras.Model(inputs=input_x, outputs=pred)
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=['accuracy'])

train_x = np.random.random((1000, 72))
train_y = np.random.random((1000, 10))

val_x = np.random.random((200, 72))
val_y = np.random.random((200, 10))

model.fit(train_x, train_y, epochs=1000, batch_size=100,
          validation_data=(val_x, val_y))