import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
# 加载数据
data = pd.read_csv('./dataset/income.csv')
x_data = data.age # 也可以用x_data= np.array([1,2,3])
y_data = data.income
# 数据可视化
plt.scatter(x_data,y_data)
plt.ion
plt.show
# 创建tf.keras模型
model = tf.keras.Sequential() #顺序处理模型
model.add(tf.keras.layers.Dense(1,input_shape=(1,),activation='LeakyReLU')) # 添加一个层 ,此处加一个Dense层
model.summary() #显示model的Dense的形状
# 编译模型
model.complie(
optimizer = 'adma',
loss = 'mse' # "sparse_categorical_crossentropy"
)
# 模型已经编译好了,可以进行训练了
# 开始训练
history = model.fit(x_data,y_data,epochs=50000)
# 使用model预测
model.predict(x_data)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
# 加载数据
data = pd.read_csv('./dataset/income.csv')
x_data = data.age # 也可以用x_data= np.array([1,2,3])
y_data = data.income
# 数据可视化
plt.scatter(x_data,y_data)
plt.ion
plt.show
# 创建tf.keras模型
model = tf.keras.Sequential() #顺序处理模型
model.add(tf.keras.layers.Dense(1,input_shape=(1,),activation='LeakyReLU')) # 添加一个层 ,此处加一个Dense层
model.summary() #显示model的Dense的形状
# 编译模型
model.complie(
optimizer = 'adma',
loss = 'mse' # "sparse_categorical_crossentropy"
)
# 模型已经编译好了,可以进行训练了
# 开始训练
history = model.fit(x_data,y_data,epochs=50000)
# 使用model预测
model.predict(x_data)
tf.keras.layers.Dense()
tf.keras.layers.Dense(
units, # 正整数,输出空间的维数
activation=None, # 激活函数,不指定则没有 ('relu','sigmoid','LeakyReLU')
use_bias=True, # 布尔值,是否使用偏移向量
kernel_initializer='glorot_uniform', # 核权重矩阵的初始值设定项
bias_initializer='zeros', # 偏差向量的初始值设定项
kernel_regularizer=None, # 正则化函数应用于核权矩阵
bias_regularizer=None, # 应用于偏差向量的正则化函数
activity_regularizer=None, # Regularizer function applied to the output of the layer (its "activation")
kernel_constraint=None, # Constraint function applied to the kernel weights matrix.
bias_constraint=None, **kwargs # Constraint function applied to the bias vector
)
model.compile()
model.compile()的作用: 设置优化器 , 损失函数 , 准确率评测标准
model.compile() 语法:
形式1
model.compile(optimizer = tf.keras.optimizers.优化器(参数),
loss = tf.keras.losses.损失函数(参数),
metrics = ["sparse_accuracy"]
)
形式2
model.compile(optimizer = "sgd",
loss = "mse",
metrics = ["sparse_accuracy"]
)
optimizer
有四种,每种有两种表现形式:
“sgd”
或者 tf.optimizers.SGD(lr = 学习率, decay = 学习率衰减率,momentum = 动量参数)
“adagrad"
或者 tf.keras.optimizers.Adagrad(lr = 学习率, decay = 学习率衰减率)
”adadelta"
或者 tf.keras.optimizers.Adadelta(lr = 学习率,decay = 学习率衰减率)
“adam"
或者 tf.keras.optimizers.Adam(lr = 学习率, decay = 学习率衰减率)
loss
有两种,每种有两种表现形式:
”mse"
或者 tf.keras.losses.MeanSquaredError()
"sparse_categorical_crossentropy"
或tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)
Metrics
标注网络评价指标,例如:
"accuracy"
: y_ture 和 y_pred 都是数值,如y_ = [1] y = [1] #y_为真实值,y为预测值
“sparse_accuracy"
:y_和y都是以独热码 和 概率分布表示,如y_ture = [0, 1, 0], y_pred = [0.256,
0.695, 0.048]
"sparse_categorical_accuracy"
:检查 y_true 中的值(本身就是index) 与 y_pred 中最大值对应的index是否相等。 y_true是以数值形式给出, y_pred是以独热码给出,如y_ = [1], y = [0.256 0.695, 0.048]
下一篇:【TensorFlow 2.0】使用 tensorflow.keras 进行逻辑回归