tensorflow分类的loss函数_Tensorflow基础（搭建网络训练模型）

训练一个简单的Tensorflow模型

当前使用Tensorflow训练一个模型的简单方法是通过Tensorflow的高级API，Keras。Keras提供两种编程模型：

1. Model

2. Sequential

Mode方式类似于函数式编程，每个操作将对数据进行输出，这样经过许多不同的层即可以获取到最后的输出。比如我们要对输入x进行如下操作：

函数式编程实现

  函数式编程实现：

class MyModel(Model):    def __init__(self):        super(MyModel,self).__init__()        self.conv1 = layers.Conv2D(filters=32,kernel_size=3,activation='relu')        self.flatten = layers.Flatten()        self.d1 = layers.Dense(units=128,activation='relu')        self.d2 = layers.Dense(units=10,activation='softmax')    def call(self,x):        x = self.conv1(x)        x = self.flatten(x)        x = self.d1(x)        x = self.d2(x)        return x  

        训练一个模型首先需要确定：

• 使用什么样的优化器

• 使用什么损失函数

• 损失函数对于变量求梯度，然后将梯度应用在优化器中，更改优化器变量的值实现梯度下降。

     在这里我们使用如下损失函数和优化器

loss_object = keras.losses.SparseCategoricalCrossentropy()optimizer = keras.optimizers.Adam()

训练流程：

1. 计算前向输出

2. 根据label和前向输出计算损失