sklearn搭建神经网络结构的两种方法

最新推荐文章于 2023-05-31 21:07:12 发布

就这样33441

最新推荐文章于 2023-05-31 21:07:12 发布

阅读量308

点赞数

分类专栏：机器学习深度学习文章标签：神经网络 Powered by 金山文档

本文链接：https://blog.csdn.net/weixin_32691193/article/details/129000947

版权

机器学习同时被 2 个专栏收录

3 篇文章 0 订阅

订阅专栏

深度学习

2 篇文章 0 订阅

订阅专栏

以鸢尾花数据集来做演示

利用sequential函数

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

利用class自己定义类

class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        y = self.d1(x)
        return y

model = IrisModel()

以mnist数据集做演示

利用sequential函数

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

利用class自己定义类

class MnistModel(Model):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.flatten(x)
        x = self.d1(x)
        y = self.d2(x)
        return y


model = MnistModel()