tensorflow中tf.keras.models.Sequential()用法

偏执的太偏执、 2023-02-14 02:59 5阅读 0赞

# tensorflow中tf.keras.models.Sequential()用法 #

> **Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构**

> **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() \#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()
> 
>                                                                                    
> 
>

## 实例代码： ##

>     #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_freq = 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
> 
>