目录
〇.引言:
Ⅰ.神经网络模型六步搭建法[Sequential搭建]
导包-数据-Sequential构建-compile配置-fit训练-summary
Ⅱ.六步法中重要函数的超参数设置及可选项
tf.keras.models.Sequential-拉直层,全连接层,卷积层,LSTM层
model.compile(optimizer=优化器,loss=损失率,metrics=[’准确率'])
model.fit(...)
model.summary()
Ⅲ.CLASS类搭建神经网络
Ⅳ.实践-Mnist&Fashion
引言:
搭建神经网络有自己的既定步骤, 采用下面的六步法即可,按步骤来搭建模型,更多的时候作为"炼丹师"(真正的炼丹师是基于很强的数学功底和原理掌握,并非所说简单的调参)。 我们要决定的是 网络的搭建,选择好网络结构,思考如何搭建层,针对不同问题 选择怎么样的损失函数,激活函数,优化器,评价指标等内容。 这些都需要很强的 问题分析能力,数据分析能力,数学功底,以及代码功力。 【文中不附全部代码,脑图和代码(含注释)点击原文链接获取】PARTⅠ:神经网络——六步搭建法
之前我们 手动搭建了神经网络,手动实现了参数w和b的更新,大概用了 100行代 码左右( 手动实现对于理解神经网络的原理和过程及其重要 ,推荐 记住甚至背下来手动实现的代码, 参考(原文链接中有代码) : TF2.0-鸢尾花数据集三分类【tf2.0底层API函数手动搭建单层简单神经网络】 ) 下面的例子按照六步法对鸢尾花iris任务三分类,使用tf.keras来搭建我们的神经网络, 使用Squentical顺序 神经网络模型堆叠【PARTⅢ中,采用了 class类 来构建,效果一致,两种方式各有好处】。 使用 20行左右 实现之前100行的功能。和手动实现不同的是: 直接在使用的层中通过超参数来设置损失函数,激活函数,正则化参数, 然后在compile中选择优化器,选择损失函数ÿ