TensorFlow2.0学习笔记（5）

用tensorflow API :tf.keras搭建网络八股（sequential搭建神经网络法）

用sequential可以搭建出上层输出就是下层输入的顺序网络结构

六步走

1：import相关模块，比如import tensorflow as tf

 

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

2:告知要喂入网络的训练集（输入特征x_train，输入标签y_train）和测试集（输入特征x_test，输入标签y_test）

 

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target
#测试机的输入特征x_test和标签y_test可以在这里直接给定，也可以在fit中按比例从训练集中划分，该例子选择后者

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)#数据集乱序

3：在sequential中搭建网络结构，逐层描述每层网络，相当于走了一遍前向传播

model = tf.keras.models.Sequential

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])
#搭建网络结构（神经元个数，选用的激活函数，选用的正则化方法）

 

4：modul.compile()在compile中配置训练方法，告知训练时选用哪种优化器，选择哪个损失函数,选择哪种评测指标

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])
#配置训练方法（选择优化器SGD，学习率设置为0.1
#选择SparseCategoricalCrossentropy作为损失函数，由于在上一个函数中神经网络末端使用了softmax函数，from_logits=False标明为概率输出
#选择sparse_categorical_accuracy作为评测指标，表示数据集标签为数值，输出是概率分布

5：model.fit()在fit中执行训练过程，告知训练集和测试集的输入特征和输入标签，告知每个batch是多少，告知要迭代多少次数据集

 

model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
#执行训练过程（训练集输入特征，训练集输入标签，一个batch（2的n次方数)，循环迭代次数，从训练集中选择20%的数据作为测试集，每迭代20次训练集要在测试集中验证一次准确率

6：model.summary()打印出网络的结构和参数统计

model.summary()#打印网格结构和参数统计