[tensorflow2笔记五] 使用八股搭建神经网络
用Tensorflow API：tf.keras搭建网络八股,全连接网络
文章目录
-
- 1. 六步法
- 2. 用法
- 3. mnist数据集
- 4. fashion数据集
1. 六步法
import # 模块
train, test # 训练集和测试集
# 二选一
model = tf.keras.models.Sequential # 逐层搭建网络结构
class MyModel(Model) model = Model() # 类搭建网络
model.compile # 配置训练方法（优化器、损失函数、评价指标）
model.fit # 训练
model.summary # 打印出网络结构和参数统计
2. 用法
（1）Sequential可以认为是一个容器，封装了一个神经网络结构。
拉直层：tf.keras.layers.Flatten()
# 该层不含计算，只是形状转换，把输入特征拉直变成一维数组。
全连接层：tf.keras.layers.Dense(神经元个数，
activation=”激活函数”,
kernel_regularizer=哪种正则化)
# 激活函数（以字符串形式给出）：relu, softmax, sigmoid, tanh
# 正则化：tf.keras.regularizers.l1() tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D(filters=卷积核个数,kernel_size=卷积核尺寸,strides= 卷积步长，padding = “valid” or “same”)
循环神经网络层LSTM层：tf.keras.layers.LSTM()
（2）model.compile(optimizer=优化器，loss=损失函数，metrics=[“准确率”])
Optimizer可选：‘sgd’ ‘adagrad’ ‘adadelta’ ‘adam’
loss可选：‘mse’或者tf.keras.losses.MeanSquareError()
‘sparse_categorical_crossentropy’或者
tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
# 其中，False:是否原始输出（没有经过softmax概率分布的输出）
Metics可选：‘accuracy’:y和y_都是数值
‘categorical_accuracy’:y_和y都是独热码
‘sparse_categorical_accuracy’:y_是数值，y是独热码（概率分布）
（3）model.fit()
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)，
validation_split=从训练集划分多少比例给测试集，
validation_freq=多少次epoch测试一次
)
（4）model.summary():打印网络结构参数
Sequential方法搭建网络，很简单，但无法写出一些带有跳连的非顺序网络结构。此时可以使用类class封装一个搭建网络结构。
Class MyModel(Model): #Model继承keras的Model类
def __init__(self):
super(MyModel, self).__init__()
#定义网络结构块
self.d1 = Dense(3) # 3个神经元的全连接
def call(self, x):
# 调用网络结构块，实现前向传播
y = self.d1(x)
return y
model = MyModel()
3. mnist数据集
（1）MNIST数据集介绍
6万张 2828像素点的0~9手写数字图片和标签，用于训练
1万张2828像素点的0~9手写数字图片和标签，用于测试
（2）导入数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
（3）搭建网络
sequential方法和class方法（详细见tensorflow实战演练）
4. fashion数据集
（1）fashion数据集介绍
6万张 28x28 像素点的衣裤图片和标签，用于训练
1万张 28x28 像素点的衣裤图片和标签，用于测试
一共有10个分类：T恤、裤子…
（2）导入数据集
# 1.加载数据
fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion.load_data()
（3）搭建网络
sequential方法和class方法（详细见tensorflow实战演练）