Tensorflow之搭建神经网络八股

步骤：

导入模块
划分训练集和测试集
在Sequential()中或利用class搭建网络结构
在compile()中配置训练方法，选择优化器，选择损失函数，选择评测指标
在fit()中执行训练过程，告知训练集和测试集的输入特征和标签，batch级别，迭代次数
summery()打印网络的结构和参数

一：模块及方法介绍

Sequential()

model = tf.keras.models.Sequential([网络结构])

用于描述各层网络

用Sequential可以搭建出上层输出就是下层输入的顺序网络结构

网络结构举例：
- 拉直层：tf.keras.layers.Flatten()，这一层不做计算，只是将数据拉成一维数组
- 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)
  
  其中，activation可选参数有，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()
compile()

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” of tf.keras.bosses.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=[0.233,0.844,0.584]
- “sparse_categorical_accuracy”：y_是数值，y是独热码(概率分布),如y_=[1]，y=[0.233,0.844,.0.584]
fit()

model.fit(训练集输入特征,训练集标签,batch_size=,epochs=,validation_data=(测试集输入特征,测试集标签),validation_split=从训练集划分多少比例给测试集,validation_freq=多少次epoch测试一次准确率)
summary()

打印出网络的结构和参数统计

二：利用Sequential对鸢尾花进行预测

import tensorflow as tf
from sklearn import datasets
import numpy as np# 导入数据集
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target# 打乱数据集顺序
np.random.seed(seed=116)
np.random.shuffle(x_train)
np.random.seed(seed=116)
np.random.shuffle(y_train)
np.random.seed(seed=116)# 搭建网络结构
model = tf.keras.models.Sequential([tf.keras.layers.Dense(3,activation="softmax",kernel_regularizer=tf.keras.regularizers.l2())])# 优化
# 因为在搭建网络结构时，使用了softmax进行概率分布，所以此处的from_logits=False
# 对于metrics参数，因为数据集的标签值为数值，而预测结果为ont_hot编码形式，所以选择sparse_categorical_accuracy
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"])# 训练
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)# 打印网络结构和参数统计
model.summary()

结果展示：

三：使用class类封装一个网络结构

Sequential可以搭建顺序网络结构但无法写出一些带有跳连的非顺序网络结构，这个时候我们可以选择用类class搭建神经网络。只需将Sequential搭建网络结构的部分换成以下类即可，其余不变

class MyModel(Model):def __init__(self):# 继承父类属性super(MyModel,self).__init__()定义网络结构块def call(self.x):调用网络结构块,实现向前传播return y
model = MyModel()

四：以类的方式预测鸢尾花分类

import numpy as np
import tensorflow as tffrom sklearn import datasets
from tensorflow.keras import Model
from tensorflow.keras.layers import Dense# 导入数据集
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target# 打乱数据集顺序
np.random.seed(seed=116)
np.random.shuffle(x_train)
np.random.seed(seed=116)
np.random.shuffle(y_train)
np.random.seed(seed=116)# 搭建网络结构
class IrisModel(Model):def __init__(self):super(IrisModel,self).__init__()# 定义网络结构self.d1 = Dense(3,activation="sigmoid",kernel_regularizer=tf.keras.regularizers.l2())def call(self, x):y = self.d1(x)return ymodel = IrisModel()# 配置训练方法
# 因为在搭建网络结构时，使用了softmax进行概率分布，所以此处的from_logits=False
# 对于metrics参数，因为数据集的标签值为数值，而预测结果为ont_hot编码形式，所以选择sparse_categorical_accuracy
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"])# 训练
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)# 打印网络结构和参数统计
model.summary()

五：MNIST数据集

数据集介绍

在Tensorflow中，MNIST数据集提供了6万张28*28像素点的0_{9手写数字图片和标签，用于训练；提供了1万张28*28像素点的0}9手写数字图片和标签，用于测试。

Sequential训练MNIST数据集

import tensorflow as tf
import matplotlib.pyplot as plt# 导入数据
mnist = tf.keras.datasets.mnist
(x_train,y_train), (x_test,y_test) = mnist.load_data()# 对数据归一化，即将数据转换为0~1之间的数，把输入特征的数值变小更适合神经网络吸收
x_train, x_test = x_train/255.0,  x_test/255.0# 定义网络结构
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),  # 将数据集拉成一维数组tf.keras.layers.Dense(128, activation="relu"),  # 搭建第一层网络tf.keras.layers.Dense(10, activation="softmax")  # 构建第二层网络
])# 配置训练方法
model.compile(optimizer="adam",loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"]
)# 训练
model.fit(x_train,y_train, batch_size=32, epochs=5, validation_data=(x_test,y_test), validation_freq=1)# 打印网络结构并统计信息
model.summary()

class训练MNIST数据集

import tensorflow as tf
import matplotlib.pyplot as pltfrom tensorflow.keras import Model
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Flatten# 导入数据
mnist = tf.keras.datasets.mnist
(x_train,y_train), (x_test,y_test) = mnist.load_data()# 对数据归一化，即将数据转换为0~1之间的数，把输入特征的数值变小更适合神经网络吸收
x_train, x_test = x_train/255.0,  x_test/255.0# 定义网络结构
class MnistMode(Model):def __init__(self):super(MnistMode, self).__init__()self.flatten = Flatten()self.d1 = Dense(120, activation="relu")self.d2 = Dense(10, activation="softmax")def call(self,x):x = self.flatten(x)x = self.d1(x)y = self.d2(x)return ymodel = MnistMode()# 配置训练方法
model.compile(optimizer="adam",loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"]
)# 训练
model.fit(x_train,y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)# 打印网络结构并统计信息
model.summary()

六：FASHION数据集

数据集介绍

提供6万张28*28像素点的衣裤等图片和标签，用于训练。

提供1万张28*28像素点的衣裤等图片和标签，用于测试

共分为10类，有T恤，裤子，套头衫，连衣裙，外套，凉鞋，衬衫，运动鞋，包，靴子

Sequentia训练FASHION数据集

import tensorflow as tf
import matplotlib.pyplot as pltfrom tensorflow.keras.datasets import fashion_mnist# 读取数据
(x_train,y_train), (x_test,y_test) = fashion_mnist.load_data()# 数据归一化
x_train, x_test = x_train/255, x_test/255# 定义网络结构
model = tf.keras.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(120, activation="relu"),tf.keras.layers.Dense(10, activation="softmax")
])# 配置训练方法
model.compile(optimizer=tf.keras.optimizers.Adam(),loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"]
)# 训练
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)# 查看网络结构及数据统计
model.summary()

class训练FAHION数据集

import tensorflow as tf
import matplotlib.pyplot as pltfrom tensorflow.keras.datasets import fashion_mnist
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense# 读取数据
(x_train,y_train), (x_test,y_test) = fashion_mnist.load_data()# 数据归一化
x_train, x_test = x_train/255, x_test/255# 定义网络结构
class FashionModel(Model):def __init__(self):super(FashionModel, self).__init__()self.flatten = Flatten()self.d1 = Dense(120, activation="relu")self.d2 = Dense(10, activation="softmax")def call(self,x):x = self.flatten(x)x = self.d1(x)y = self.d2(x)return y
model = FashionModel()# 配置训练方法
model.compile(optimizer=tf.keras.optimizers.Adam(),loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=["sparse_categorical_accuracy"]
)# 训练
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)# 查看网络结构及数据统计
model.summary()

Tensorflow之搭建神经网络八股相关推荐

Tensorflow搭建神经网络八股及实现鸢尾花数据集分类
tensorflow笔记系列文章均参考自中国大学Mooc上北京大学软件与微电子学院曹建老师的<Tensorflow笔记2>课程.曹建老师讲的非常棒,受益良多,强烈建议tensorflow初 ...
DeepMind发布Sonnet 帮你用TensorFlow快速搭建神经网络
去年 DeepMind 作出决定,将全部研究搬到 TensorFlow 框架上进行.近一年时间过去,回头来看,DeepMind 认为这项选择十分正确--许多模型的学习过程大幅加速:TensorFlow ...
TensorFlow2.0学习笔记2-tf2.0两种方式搭建神经网络
目录一,TensorFlow2.0搭建神经网络八股 1)import [引入相关模块] 2)train,test [告知喂入网络的训练集测试集以及相应的标签] 3)model=tf.keras. ...
Tensorflow初学者之搭建神经网络基本流程
本文是学习这个视频课程系列的笔记,课程链接是 youtube 上的, 讲的很好,浅显易懂,入门首选, 而且在github有代码, 想看视频的也可以去他的优酷里的频道找. Tensorflow 官网神 ...
TensorFlow学习笔记（九）tf搭建神经网络基本流程
1. 搭建神经网络基本流程定义添加神经层的函数 1.训练的数据 2.定义节点准备接收数据 3.定义神经层:隐藏层和预测层 4.定义 loss 表达式 5.选择 optimizer 使 loss 达到 ...
30行代码就可以实现看图识字！python使用tensorflow.keras搭建简单神经网络
文章目录搭建过程 1. 引入必需的库 2. 引入数据集 3. 搭建神经网络层 4. 编译神经网络模型 5. 训练模型效果测试大概几个月前,神经网络.人工智能等概念在我心里仍高不可攀,直到自己亲身 ...
【记录】本科毕设：基于树莓派的智能小车设计（使用Tensorflow + Keras 搭建CNN卷积神经网络使用端到端的学习方法训练CNN）
0 申明这是本人2020年的本科毕业设计,内容多为毕设论文和答辩内容中挑选.最初的灵感来自于早前看过的一些项目(抱歉时间久远,只记录了这一个,见下),才让我萌生了做个机电(小车动力与驱动)和控制(树 ...
Tensorflow学习笔记——搭建神经网络
目录 1.搭建神经网络6步法 2.函数用法和介绍 (1)tf.keras.models.Sequential() (2)Model.compile() (3)model.fit() (4)model. ...
北京大学曹健——Tensorflow笔记 03 搭建神经网络
透过vim ~/.vimrc 写入 set ts=4, set nu,保存退出来设定vim编辑器.自动换行,4个空格计算图:只搭建神经网络,不运行运算,不计算结果. 上图中:x 为 1行,2列的张量 ...
曹健老师 TensorFlow2.1 —— 第三章神经网络八股
第一章第二章本章目的:使用 " 八股 " 搭建神经网络 3.1 搭建网络八股 Sequential 用 Tensorflow API:tf.keras 搭建网络八股六步法: ...

Tensorflow之搭建神经网络八股

Tensorflow之搭建神经网络八股

一：模块及方法介绍

Sequential()

compile()

fit()

summary()

二：利用Sequential对鸢尾花进行预测

三：使用class类封装一个网络结构

四：以类的方式预测鸢尾花分类

五：MNIST数据集

数据集介绍

Sequential训练MNIST数据集

class训练MNIST数据集

六：FASHION数据集

数据集介绍

Sequentia训练FASHION数据集

class训练FAHION数据集

Tensorflow之搭建神经网络八股相关推荐

最新文章

热门文章