标签：执行 imp tensor tar compile datasets dom 选项 metrics
1.步骤
第一步：import 相关模块，如 import tensorflow as tf
第二步：指定输入网络的训练集和测试集，如指定训练集的输入 x_train 和标签y_train，测试集的输入 x_test 和标签 y_test。
第三步：逐层搭建网络结构，model = tf.keras.models.Sequential()。
第四步：在 model.compile()中配置训练方法，选择训练时使用的优化器、损失函数和最终评价指标。
第五步：在 model.fit()中执行训练过程，告知训练集和测试集的输入值和标签、每个 batch 的大小（batchsize）和数据集的迭代次数（epoch）。
第六步：使用 model.summary()打印网络结构，统计参数数目。
2.函数用法介绍
tf.keras.models.Sequential()： Sequential 函数是一个容器，描述了神经网络的网络结构，在 Sequential函数的输入参数中描述从输入层到输出层的网络结构。
Model.compile( optimizer = 优化器, loss = 损失函数, metrics = [“准确率”]) Compile 用于配置神经网络的训练方法，告知训练时使用的优化器、损失函数和准确率评测标准。
其中：
optimizer 可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置学习率、动量和超参数。
可选项包括：
‘sgd’or tf.optimizers.SGD( lr=学习率, decay=学习率衰减率, momentum=动量参数)
‘adagrad’or tf.keras.optimizers.Adagrad(lr=学习率, decay=学习率衰减率)
‘adadelta’or tf.keras.optimizers.Adadelta(lr=学习率, decay=学习率衰减率)
‘adam’or tf.keras.optimizers.Adam (lr=学习率, decay=学习率衰减率)
Loss 可以是字符串形式给出的损失函数的名字，也可以是函数形式。
可选项包括：
‘mse’or tf.keras.losses.MeanSquaredError() ‘sparse_categorical_crossentropy or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
损失函数常需要经过 softmax 等函数将输出转化为概率分布的形式。from_logits 则用来标注该损失函数是否需要转换为概率的形式，取 False 时表示转化为概率分布，取 True 时表示没有转化为概率分布，直接输出。
Metrics 标注网络评测指标
可选项包括：
‘accuracy’：y_和 y 都是数值，如 y_=[1] y=[1]。 ‘categorical_accuracy’：y_和 y 都是以独热码和概率分布表示。 如 y_=[0, 1, 0], y=[0.256, 0.695, 0.048]。
‘sparse_ categorical_accuracy’：y_是以数值形式给出，y 是以独热码形式给出。 如 y_=[1],y=[0.256, 0.695, 0.048]。
model.fit(训练集的输入特征， 训练集的标签， batch_size, epochs, validation_data = (测试集的输入特征，测试集的标签)， validataion_split = 从测试集划分多少比例给训练集， validation_freq = 测试的 epoch 间隔次数) fit 函数用于执行训练过程
model.summary() summary 函数用于打印网络结构和参数统计
3.搭建网络训练iris 数据集如下：
1 import tensorflow as tf 2 from sklearn import datasets 3 import numpy as np 4 5 x_train = datasets.load_iris().data 6 y_train = datasets.load_iris().target 7 8 np.random.seed(116) 9 np.random.shuffle(x_train) 10 np.random.seed(116) 11 np.random.shuffle(y_train) 12 tf.random.set_seed(116) 13 14 model = tf.keras.models.Sequential([ 15 tf.keras.layers.Dense(3, activation=‘softmax‘, kernel_regularizer=tf.keras.regularizers.l2()) 16 ]) 17 18 model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1), 19 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), 20 metrics=[‘sparse_categorical_accuracy‘]) 21 22 model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20) 23 24 model.summary()
1 import tensorflow as tf 2 from tensorflow.keras.layers import Dense 3 from tensorflow.keras import Model 4 from sklearn import datasets 5 import numpy as np 6 7 x_train = datasets.load_iris().data 8 y_train = datasets.load_iris().target 9 10 np.random.seed(116) 11 np.random.shuffle(x_train) 12 np.random.seed(116) 13 np.random.shuffle(y_train) 14 tf.random.set_seed(116) 15 16 class IrisModel(Model): 17 def __init__(self): 18 super(IrisModel, self).__init__() 19 self.d1 = Dense(3, activation=‘softmax‘, kernel_regularizer=tf.keras.regularizers.l2()) 20 21 def call(self, x): 22 y = self.d1(x) 23 return y 24 25 model = IrisModel() 26 27 model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1), 28 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), 29 metrics=[‘sparse_categorical_accuracy‘]) 30 31 model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20) 32 model.summary()
以上两段代码的不同之处是，第一段是用Sequential搭建网络，第二段是自定义网络。
4.搭建网络训练MNIST 数据集 如下：
1 import tensorflow as tf 2 3 mnist = tf.keras.datasets.mnist 4 (x_train, y_train), (x_test, y_test) = mnist.load_data() 5 x_train, x_test = x_train / 255.0, x_test / 255.0 6 7 model = tf.keras.models.Sequential([ 8 tf.keras.layers.Flatten(), 9 tf.keras.layers.Dense(128, activation=‘relu‘), 10 tf.keras.layers.Dense(10, activation=‘softmax‘) 11 ]) 12 13 model.compile(optimizer=‘adam‘, 14 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), 15 metrics=[‘sparse_categorical_accuracy‘]) 16 17 model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1) 18 model.summary()
1 import tensorflow as tf 2 from tensorflow.keras.layers import Dense, Flatten 3 from tensorflow.keras import Model 4 5 mnist = tf.keras.datasets.mnist 6 (x_train, y_train), (x_test, y_test) = mnist.load_data() 7 x_train, x_test = x_train / 255.0, x_test / 255.0 8 9 10 class MnistModel(Model): 11 def __init__(self): 12 super(MnistModel, self).__init__() 13 self.flatten = Flatten() 14 self.d1 = Dense(128, activation=‘relu‘) 15 self.d2 = Dense(10, activation=‘softmax‘) 16 17 def call(self, x): 18 x = self.flatten(x) 19 x = self.d1(x) 20 y = self.d2(x) 21 return y 22 23 24 model = MnistModel() 25 26 model.compile(optimizer=‘adam‘, 27 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), 28 metrics=[‘sparse_categorical_accuracy‘]) 29 30 model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1) 31 model.summary()
不同之处也是在搭建网络时使用的方法不同
用tensorflow搭建简单神经网络测试iris 数据集和MNIST 数据集
标签：执行 imp tensor tar compile datasets dom 选项 metrics
原文地址：https://www.cnblogs.com/yangyuxia/p/13236148.html
