搭建网络八股文（tensorflow）

一、import

引入需要使用的包

二、train,test

输入训练集和测试集

三、model = tf.keras.model.Sequential([网络结构]) #描述各层网络

eg. 拉直层：tf.keras.layers.Flatten() #将输入特征拉直变成一维数组

全连接层：tf.keras.layers.Dense(神经源个数，activation=“激活函数”，kernel_regularizer=哪种正则化) ，

activation（字符串给出）可选：relu、softmax、sigmoid、tanh

常用的激活函数介绍：https://blog.csdn.net/wangqianqianya/article/details/82961276https://blog.csdn.net/wangqianqianya/article/details/82961276

kernel_regulartzer可选：tf.keras.regularizers.l1()、tf.keras.regularizers.l2()

三种正则化区别及应用：https://stats.stackexchange.com/questions/383310/what-is-the-difference-between-kernel-bias-and-activity-regulizers-and-when-thttps://stats.stackexchange.com/questions/383310/what-is-the-difference-between-kernel-bias-and-activity-regulizers-and-when-t

卷积层：tf.keras.layers.Conv2D(filters = 卷积核个数，kernel_size = 卷积核尺寸，strides = 卷积步长，padding = “valid” or “same”)

图解卷积层：https://blog.csdn.net/weixin_47604030/article/details/122633295https://blog.csdn.net/weixin_47604030/article/details/122633295

公式介绍卷积层：https://blog.csdn.net/qq_24503095/article/details/103641973https://blog.csdn.net/qq_24503095/article/details/103641973

LSTM层：tf.keras.layers.LSTM()

rnn、gru、lstm介绍：https://zhuanlan.zhihu.com/p/135320350https://zhuanlan.zhihu.com/p/135320350

rnn、gru、lstm梯度消失和梯度爆炸介绍：https://zhuanlan.zhihu.com/p/60915302https://zhuanlan.zhihu.com/p/60915302

四、model.compile(optimizer = 优化器，loss = 损失函数，metrics = [“准确率”])

Optimizer可选：

'sgd' or tf.keras.optimizers.SGD(lr = 学习率，momentum = 动量参数)

'adagrad' or tf.keras.optimizers.Adagrad(lr = 学习率)

'adadelta' or tf.keras.optimizers.Adadelta(lr = 学习率)

'adam' or tf.keras.optimizers.Adam(lr = 学习率，beta_1 = 0.9，beta_2 = 0.999)

优化器介绍：https://zhuanlan.zhihu.com/p/261695487https://zhuanlan.zhihu.com/p/261695487

loss可选：

'mse' or tf.keras.losses.MeanSquaredError()

'sparse_categorical_crosssentropy' or tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False) 

#如果神经网络预测前经过概率分布from_logits为false，如果是直接输出则为true。假如十分类，正确率是十分之一，网络结构没有问题的前提下很可能是此参数出错

loss介绍：https://zhuanlan.zhihu.com/p/97698386https://zhuanlan.zhihu.com/p/97698386

Metrics可选：

'accuray'：y_和y都是数值，如y_ = [1]  y = [1]

'categorical_accuracy'：y_和y都是独热码（或概率分布），如y_ = [0,1,0]  y = [0.256,0.695,0.048] 

# 独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。. 即，只有一位是1，其余都是零值。. 例如，对六个状态进行编码：. 自然顺序码为 000,001,010,011,100,101. 独热编码则是 000001,000010,000100,001000,010000,100000.

'sparse_categorical_accuracy'：y_是数值，y是独热码（或概率分布），如y_ = [1]  y=[0.256,0.695,0.048]

#此处y_ = [1]中1为标签,y=[0.256,0.695,0.048]为概率分布

五、model.fit

                        （训练集的输入特征，训练集的标签，

                         batch_size =  , epochs = ,

                         validation_data = (测试机的输入特征，测试集的标签)，

                         validation_split = 从训练集划分多少比例给测试集，

                         validation_freq = 多少次epoch测试一次）

fit( x=None, #输入的x值
     y=None, #输入的y标签值
     batch_size=None, #整数 ，每次梯度更新的样本数即批量大小。未指定，默认为32。
     epochs=1, #迭代次数
     verbose=1, #整数，代表以什么形式来展示日志状态
     callbacks=None, #回调函数，这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
     validation_split=0.0, #浮点数0-1之间，用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。
     validation_data=None, #这个参数会覆盖 validation_split，即两个函数只能存在一个，它的输入为元组 (x_val，y_val)，这作为验证数据。
     shuffle=True, #布尔值。是否在每轮迭代之前混洗数据
     class_weight=None,
     sample_weight=None, 
     initial_epoch=0, 
     steps_per_epoch=None, #一个epoch包含的步数（每一步是一个batch的数据送入），当使用如TensorFlow数据Tensor之类的输入张量进行训练时，默认的None代表自动分割，即数据集样本数/batch样本数。
     validation_steps=None, #在验证集上的step总数，仅当steps_per_epoch被指定时有用。
     validation_freq=1, #指使用验证集实施验证的频率。当等于1时代表每个epoch结束都验证一次
     max_queue_size=10,
     workers=1,
     use_multiprocessing=False

原文链接：https://blog.csdn.net/wuruivv/article/details/109372708

Python中的fit(),transform()区别：https://zhuanlan.zhihu.com/p/42297868https://zhuanlan.zhihu.com/p/42297868

六、model.summary（）

打印网络结构和参数统计