tensorflow.keras搭建神经网络六步法

tensorflow.keras搭建神经网络六步法

1. 第一步，import相关模块，如： import tensorflow as tf
2. 第二步，指定输入网络的训练集和标签集，例如训练用的输入x_train和标签y_train,以及测试用的输入x_test和标签y_test
3. 第三步，逐层搭建神经网络，如：model=tf.kreas.models.Sequential()
4. 第四步，在model.compile()中配置训练方法，选择训练时用的优化器、损失函数和最终评价指标
5. 第五步，在model.fit()中执行训练过程，告知训练集和标签集的输入值和标签、每个batch的大小（batchsize）和数据集的迭代次数（epoch)
6. 第六步，使用model.summary()打印网络结构，统计参数数目

代码示例： 

#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
import keras

#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
])

#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 #从测试集中划分80%给训练集
    # validation_frep = 20 #测试的间隔次数为20
)

#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
Using TensorFlow backend.
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 9ms/sample - loss: 2.7204 - sparse_categorical_accuracy: 0.4833 - val_loss: 0.8492 - val_sparse_categorical_accuracy: 0.5667
Epoch 2/500

省略.......

Epoch 499/500

 32/120 [=======>......................] - ETA: 0s - loss: 0.3444 - sparse_categorical_accuracy: 0.9375
120/120 [==============================] - 0s 200us/sample - loss: 0.3559 - sparse_categorical_accuracy: 0.9333 - val_loss: 0.3858 - val_sparse_categorical_accuracy: 0.9333
Epoch 500/500

 32/120 [=======>......................] - ETA: 0s - loss: 0.3086 - sparse_categorical_accuracy: 0.9688
120/120 [==============================] - 0s 225us/sample - loss: 0.3302 - sparse_categorical_accuracy: 0.9833 - val_loss: 0.3695 - val_sparse_categorical_accuracy: 0.9333
Model: "sequential"
_________________________________________________________________
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