tensorflow中使用class构建神经网络的网络结构块

tensorflow中使用class构建神经网络的网络结构块

class用来声明网络结构

class MyModel(Model):    #MyModel表示声明神经网络的名字

            def __init__(self):

                               super(MyModel, self).__init__()   #初始化父类的参数

                                //初始化网络结构，构建神经网络所需的各种网络结构块

            def call(self, x):  #call()方法调用__init__()方法中完成初始化的网络结构块

                 y = self.d1(x)   #使用网络结构块

                 return y

 

代码演示：

#第一步，import
import tensorflow as tf #导入模块
from sklearn import datasets #从sklearn中导入数据集
import numpy as np #导入科学计算模块
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model

#第二步，train, test
x_train = datasets.load_iris().data #导入iris数据集的输入

y_train = datasets.load_iris().target #导入iris数据集的标签

np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照

np.random.shuffle(x_train) #使用shuffle()方法，让输入x_train乱序

np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照

np.random.shuffle(y_train) #使用shuffle()方法，让输入y_train乱序

tf.random.set_seed(120) #让tensorflow中的种子数设置为120

# #第三步，models.Sequential()
# model = tf.keras.models.Sequential([ #使用models.Sequential()来搭建神经网络
#     tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全连接层，三个神经元，激活函数为softmax,使用l2正则化
# ])
class irisModel(Model):
    def __init__(self):
        super(irisModel, self).__init__()
        self.d1 = Dense(3, activation="softmax", kernel_regularizer=tf.keras.regularizers.l2()) #搭建网络块，这一层命名为d1

    def call(self, x):
        y = self.d1(x) #实现前向传播
        return  y

model = irisModel()


#第四步，model.compile()
model.compile(  #使用model.compile()方法来配置训练方法
    optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函数
    metrics = ['sparse_categorical_accuracy'] #标注网络评价指标
)

#第五步，model.fit()
model.fit(  #使用model.fit()方法来执行训练过程，
    x_train, y_train, #告知训练集的输入以及标签，
    batch_size = 32, #每一批batch的大小为32，
    epochs = 500, #迭代次数epochs为500
    validation_split = 0.2, #从数据集中划分20%给测试集
    validation_freq = 20 #测试的间隔次数为20,每迭代20次测试一次准确率
)

#第六步，model.summary()
model.summary() #打印神经网络结构，统计参数数目

结果为：

E:\Anaconda3\envs\TF2\python.exe C:/Users/Administrator/PycharmProjects/untitled8/keras实现iris数据集.py
Train on 120 samples, validate on 30 samples
Epoch 1/500

 32/120 [=======>......................] - ETA: 2s - loss: 5.2685 - sparse_categorical_accuracy: 0.4375
120/120 [==============================] - 1s 7ms/sample - loss: 2.7204 - sparse_categorical_accuracy: 0.4833
Epoch 2/500

 32/120 [=======>......................] - ETA: 0s - loss: 0.8763 - sparse_categorical_accuracy: 0.6875
120/120 [==============================] - 0s 67us/sample - loss: 0.8910 - sparse_categorical_accuracy: 0.6500
Epoch 3/500

 32/120 [=======>......................] - ETA: 0s - loss: 1.0462 - sparse_categorical_accuracy: 0.5000
120/120 [==============================] - 0s 67us/sample - loss: 1.0107 - sparse_categorical_accuracy: 0.6167
Epoch 4/500

省略.....

 32/120 [=======>......................] - ETA: 0s - loss: 0.3444 - sparse_categorical_accuracy: 0.9375
120/120 [==============================] - 0s 58us/sample - loss: 0.3559 - sparse_categorical_accuracy: 0.9333
Epoch 500/500

 32/120 [=======>......................] - ETA: 0s - loss: 0.3086 - sparse_categorical_accuracy: 0.9688
120/120 [==============================] - 0s 158us/sample - loss: 0.3302 - sparse_categorical_accuracy: 0.9833 - val_loss: 0.3695 - val_sparse_categorical_accuracy: 0.9333
Model: "iris_model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                multiple                  15        
=================================================================
Total params: 15
Trainable params: 15
Non-trainable params: 0
_________________________________________________________________

Process finished with exit code 0