TensorFlow2.X搭建神经网络标准操作流程

用Tensorflow API：tf.keras搭建网络八股

六步法

import
train, test
model = tf.keras.models.Sequential
model.compile
model.fit
model.summar

1.导入数据和包

import

2.划分训练集和测试集

3.网络建立

model = tf.keras.models.Sequential ([ 网络结构 ]) #描述各层网络

网络结构举例

拉直层： tf.keras.layers.Flatten( )
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)  

activation（字符串给出）可选: relu、 softmax、 sigmoid 、 tanh
kernel_regularizer可选: 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")  
 LSTM层： tf.keras.layers.LSTM()  

4.配置优化器

model.compile(optimizer = 优化器,  
                loss = 损失函数  
                metrics = [“准确率”] )  
Optimizer可选:  
‘sgd’ or tf.keras.optimizers.SGD (lr=学习率,momentum=动量参数)  
‘adagrad’ or tf.keras.optimizers.Adagrad (lr=学习率)  
‘adadelta’ or tf.keras.optimizers.Adadelta (lr=学习率)  
‘adam’ or tf.keras.optimizers.Adam (lr=学习率, beta_1=0.9, beta_2=0.999)  
loss可选:  
‘mse’ or tf.keras.losses.MeanSquaredError()  
        ‘sparse_categorical_crossentropy’ or      tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)  
Metrics可选:  
‘accuracy’ ：y_和y都是数值，如y_=[1] y=[1]   
‘categorical_accuracy’ ：y_和y都是独热码(概率分布)，如y_=[0,1,0] y=    [0.256,0.695,0.048]  
‘sparse_categorical_accuracy’ ：y_是数值，y是独热码(概率分布),如y_=[1] y=  [0.256,0.695,0.048]  

5.训练数据集

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)  

6.打印网络结构

model.summary（）

实战

# 导入需要的数据包

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import Sequential,layers
import numpy as np
from sklearn import datasets

# 建立数据集
x_train=datasets.load_iris().data
y_train=datasets.load_iris().target
##随机打乱数据
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

# 建立网络
model=tf.keras.Sequential([
    tf.keras.layers.Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2())
])

# 模型优化器配置
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
    loss=tf.losses.SparseCategoricalCrossentropy(from_logits=False),
    metrics=['sparse_categorical_accuracy'])
# 模型训练
model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)

# 模型打印

model.summary()