1.搭建神经网络六部法第一步：import 相关模块，如 import tensorflow as tf。 第二步：指定输入网络的训练集和测试集，如指定训练集的输入 x_train 和标签y_train，测试集的输入 x_test 和标签 y_test。 第三步：逐层搭建网络结构，model = tf.keras.models.Sequential()。 第四步：在 model.compile()中配置训练方法，选择训练时使用的优化器、损失函数和最终评价指标。 第五步：在 model.fit()中执行训练过程，告知训练集和测试集的输入值和标签、每个 batch 的大小（batchsize）和数据集的迭代次数（epoch）。 第六步：使用 model.summary()打印网络结构，统计参数数目。 2.函数用法介绍2.1tf.keras.models.Sequential()Sequential 函数是一个容器，描述了神经网络的网络结构，在 Sequential函数的输入参数中描述从输入层到输出层的网络结构。 拉直层：tf.keras.layers.Flatten()拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层。 全连接层：tf.keras.layers.Dense( 神经元个数,activation=”激活函数”,kernel_regularizer=”正则化方式”) 其中： activation（字符串给出）可选 relu、softmax、sigmoid、tanh 等 kernel_regularizer 可选 tf.keras.regularizers.l1()、tf.keras.regularizers.l2() 卷积层：tf.keras.layers.Conv2D( filter = 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() 2.2 Model.compile( optimizer = 优化器, lOSS = 损失函数, metrics = [“准确率”])Compile 用于配置神经网络的训练方法，告知训练时使用的优化器、损失函数和准确率评测标准。 其中：optimizer 可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数 形式可以设置学习率、动量和超参数。 ‘sgd’or tf.optimizers.SGD( lr=学习率,decay=学习率衰减率,momentum=动量参数) ‘adagrad’or tf.keras.optimizers.Adagrad(lr=学习率,decay=学习率衰减率) ‘adadelta’or tf.keras.optimizers.Adadelta(lr=学习率,decay=学习率衰减率) ‘adam’or tf.keras.optimizers.Adam (lr=学习率,decay=学习率衰减率) Loss 可以是字符串形式给出的损失函数的名字，也可以是函数形式。‘mse’or tf.keras.losses.MeanSquaredError() ‘sparse_categorical_crossentropyor tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False) 损失函数常需要经过 softmax 等函数将输出转化为概率分布的形式。from_logits 则用来标注该损失函数是否需要转换为概率的形式，取 False 时表示转化为概率分布，取 True 时表示没有转化为概率分布，直接输出。 Metrics 标注网络评测指标。 ‘accuracy’：y_和 y 都是数值，如 y_=[1] y=[1]。 ‘categorical_accuracy’：y_和 y 都是以独热码和概率分布表示。如 y_=[0, 1, 0], y=[0.256, 0.695, 0.048]。 ‘sparse_ categorical_accuracy’：y_是以数值形式给出，y 是以独热码形式给出。如 y_=[1],y=[0.256, 0.695, 0.048]。 2.3 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)， validataion_split = 从测试集划分多少比例给训练集， validation_freq = 测试的 epoch 间隔次数)fit 函数用于执行训练过程。 2.4model.summary()summary 函数用于打印网络结构和参数统计。 上图是 model.summary()对鸢尾花分类网络的网络结构和参数统计，对于一个输入为 4 输出为 3 的全连接网络，共有 15 个参数。 3.iris 数据集代码复现第一步：import 相关模块： import tensorflow as tfD:\dprograme\Anaconda3\lib\site-packages\scipy\__init__.py:146: UserWarning: A NumPy version >=1.16.5 and <1.23.0 is required for this version of SciPy (detected version 1.26.4第二步：指定输入网络地训练集和测试集： x_train = datasets.load_iris().datanp.random.seed(116)以上代码实现了数据集的乱序。 第三步：逐层搭建网络结构： model = tf.keras.models.Sequential([如上所示，本例使用了单层全连接网络，第一个参数表示神经元个数，第二个参数表示网络所使用的激活函数，第三个参数表示选用的正则化方法。 第四步：在 model.compile()中配置训练方法： model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.1),如上所示，本例使用 SGD 优化器，并将学习率设置为 0.1 ，选择SparseCategoricalCrossentrop 作为损失函数。由于神经网络输出使用了softmax 激活函数，使得输出是概率分布，而不是原始输出，所以需要将from_logits 参数设置为 False。鸢尾花数据集给的标签是 0，1，2 这样的数值，而网络前向传播的输出为 概率分布，所以 metrics 需要设置为sparse_categorical_accuracy。 第五步：在 model.fit()中执行训练过程: model.fit(x_train,y_train,batch_size=32,epochs=500, validation_split = 0.2,validation_freq=20)Epoch 1/500fit 中执行训练过程,x_train,y_train 分别表示网络的输入特征和标签，batch_size 表示一次喂入神经网络的数据量，epochs 表示数据集的迭代次数validation_split 表示数据集中测试集的划分比例，validation_freq 表示每迭代 20 次在测试集上测试一次准确率。 第六步：使用 model.summary()打印网络结构，统计参数数目： model.summary()Model: "sequential"┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━┓ ┃ Layer (type) ┃ Output Shape ┃ Param # ┃ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━┩ │ dense (Dense) │ (None, 3) │ 15 │ └──────────────────────────────────────┴─────────────────────────────┴─────────────────┘ Total params: 17 (72.00 B) Trainable params: 15 (60.00 B) Non-trainable params: 0 (0.00 B) Optimizer params: 2 (12.00 B) 上一篇：Linux 搭建DNS服务: 从菜鸟到网络管理大神的进阶之路 下一篇：使用PT实现搭建帧中继网络 |
透析恶意软件“四大家族”78654 人气#网站安全
由摆渡人供应链管理俱乐部与Medtec共同举办17170 人气#站长资讯
更改Linux宝塔面板的默认安装路径8351 人气#站长圈
余生不长,家和为伴,乘风破浪的家和长者!58596 人气#网站安全
