keras搭建网络八股

1. 六步法

①import

②train，test

③model = tf.keras.model.Sequential

④model.compile

⑤model.fit

⑥model.summary

2. model = tf.keras.model.Sequential( [ 网络结构 ] )

e.g.

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

全连接层：tf.keras.layer.Dense(神经元个数, activation="激活函数", kernel_regularizer=哪种正则化)

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

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

卷积层：tf.keras.layers.Conv2D ( filters = 卷积核个3. 数，kernel_size = 卷积核尺寸，

                                                strides = 卷积步长，padding = "valid" or "same")

LSTM层：tf.keras.LSTM()

3. model.compile( optimizer = 优化器，loss = 损失函数，metrics = ["准确率"])

Optimizer可选：

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

        "adagrad" or tf.keras.optimizer.Adagrad( lr=学习率 )

        "adadelta" or tf.keras.optimizer.Adadelta( lr=学习率 )

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

loss可选：

        “mse” or tf.keras.losses.MeanSquaredError()

        "sparse_categorical_crossentropy" or

         tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False) #如果神经网络预测前经

        过了概率分布，为False。反之为True。

metrics可选：

        "accurancy"：y_和y都是数值，如y_=[1] y=[1]

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

4. model.fit         

model.fit(训练集的输入特征，训练集的标签，

                        batch_size= ， epoch= ，

                        validation_data=(测试集的输入特征，训练集的标签)，

                        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)

5. model.summary()

 鸢尾花代码：

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

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)

model.summary()