tf.keras学习总结（一）：keras的Sequential模型编写方式

参考资料：tf官方文档：https://tensorflow.google.cn/guide/keras#functional_api

---

图片来自：https://blog.csdn.net/zjw642337320/article/details/81204560

---

层的堆叠Sequential模型

在 Keras 中，我们可以通过组合层来构建模型，直接堆叠各个层。

---

个人总结：
整个过程可分为五步：
1创建Sequential模型，2添加所需要的神经层，3使用.compile方法确定模型训练结构，4使用.fit方法

使模型与训练数据“拟合”，5.predict方法进行预测。

---

首先创建一个模型结构：

model = keras.Sequential()

实例为建立一个最终输出维度为10的分类结果的全连接神经网络。使用.add()函数进行各个层的堆叠：

# Adds a densely-connected layer with 64 units to the model:
model.add(keras.layers.Dense(64, activation='relu'))
# Add another:
model.add(keras.layers.Dense(64, activation='relu'))
# Add a softmax layer with 10 output units:
model.add(keras.layers.Dense(10, activation='softmax'))

我们可以使用很多 tf.keras.layers，详见：https://tensorflow.google.cn/api_docs/python/tf/keras/layers

这些layers有相同的构造函数参数：

---

构建好模型后，通过调用 compile 方法配置该模型的学习流程：

model.compile(optimizer=tf.train.AdamOptimizer(0.001),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

 

tf.keras.Model.compile 采用三个重要参数：

• optimizer：此对象会指定训练过程。从 tf.train 模块向其传递优化器实例，例如 AdamOptimizer、RMSPropOptimizer 或 GradientDescentOptimizer。
• loss：要在优化期间最小化的函数。常见选择包括均方误差 (mse)、categorical_crossentropy 和 binary_crossentropy。损失函数由名称或通过从 tf.keras.losses 模块传递可调用对象来指定。
• metrics：用于监控训练。它们是 tf.keras.metrics 模块中的字符串名称或可调用对象。

---

然后使用.fit方法进行测试数据与模型的拟合：

实例

import numpy as np

data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

val_data = np.random.random((100, 32))
val_labels = np.random.random((100, 10))

model.fit(data, labels, epochs=10, batch_size=32,
          validation_data=(val_data, val_labels))

 

keras.models.Model.fit()函数各个参数的详解：https://tensorflow.google.cn/api_docs/python/tf/keras/models/Model#fit

---

 

评估和预测tf.keras.Model.evaluate 和 tf.keras.Model.predict 方法

# x , y为分别的样本与对所对应的标签，
# dataset为打包好的数据集，包含样本特征与标签

model.evaluate(x, y, batch_size=32)
# or
model.evaluate(dataset, steps=30)

model.predict(x, batch_size=32)
# or
model.predict(dataset, steps=30)