關(guān)于tensorflow中tf.keras.models.Sequential()的用法

更新時(shí)間：2024年01月12日 09:28:45 作者：yunfeather

這篇文章主要介紹了關(guān)于tensorflow中tf.keras.models.Sequential()的用法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

tf.keras.models.Sequential()用法

Sequential()方法是一個(gè)容器，

描述了神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，

在Sequential()的輸入?yún)?shù)中描述從輸入層到輸出層的網(wǎng)絡(luò)結(jié)構(gòu)

model = tf.keras.models.Sequential([網(wǎng)絡(luò)結(jié)構(gòu)])  #描述各層網(wǎng)絡(luò)

網(wǎng)絡(luò)結(jié)構(gòu)舉例

拉直層

tf.keras.layers.Flatten() #拉直層可以變換張量的尺寸，把輸入特征拉直為一維數(shù)組，是不含計(jì)算參數(shù)的層

全連接層

tf.keras.layers.Dense(神經(jīng)元個(gè)數(shù)，

activation = "激活函數(shù)“，

kernel_regularizer = "正則化方式）

其中：

activation可選 relu 、softmax、 sigmoid、 tanh等
kernel_regularizer可選 tf.keras.regularizers.l1() 、tf.keras.regularizers.l2()

卷積層

tf.keras.layers.Conv2D(filter = 卷積核個(gè)數(shù)，

kernel_size = 卷積核尺寸，

strides = 卷積步長(zhǎng),

padding = ”valid“ or "same")

LSTM層

tf.keras.layers.LSTM()

實(shí)例代碼

#第一步，import
import tensorflow as tf #導(dǎo)入模塊
from sklearn import datasets #從sklearn中導(dǎo)入數(shù)據(jù)集
import numpy as np #導(dǎo)入科學(xué)計(jì)算模塊
import keras
 
#第二步，train, test
x_train = datasets.load_iris().data #導(dǎo)入iris數(shù)據(jù)集的輸入
 
y_train = datasets.load_iris().target #導(dǎo)入iris數(shù)據(jù)集的標(biāo)簽
 
np.random.seed(120) #設(shè)置隨機(jī)種子，讓每次結(jié)果都一樣，方便對(duì)照
 
np.random.shuffle(x_train) #使用shuffle()方法，讓輸入x_train亂序
 
np.random.seed(120) #設(shè)置隨機(jī)種子，讓每次結(jié)果都一樣，方便對(duì)照
 
np.random.shuffle(y_train) #使用shuffle()方法，讓輸入y_train亂序
 
tf.random.set_seed(120) #讓tensorflow中的種子數(shù)設(shè)置為120
 
#第三步，models.Sequential()
model = tf.keras.models.Sequential([ #使用models.Sequential()來搭建神經(jīng)網(wǎng)絡(luò)
    tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全連接層，三個(gè)神經(jīng)元，激活函數(shù)為softmax,使用l2正則化
])
 
#第四步，model.compile()
model.compile(  #使用model.compile()方法來配置訓(xùn)練方法
    optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD優(yōu)化器，學(xué)習(xí)率為0.1
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置損失函數(shù)
    metrics = ['sparse_categorical_accuracy'] #標(biāo)注網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)
)
 
#第五步，model.fit()
model.fit(  #使用model.fit()方法來執(zhí)行訓(xùn)練過程，
    x_train, y_train, #告知訓(xùn)練集的輸入以及標(biāo)簽，
    batch_size = 32, #每一批batch的大小為32，
    epochs = 500, #迭代次數(shù)epochs為500
    validation_split = 0.2, #從測(cè)試集中劃分80%給訓(xùn)練集
    validation_freq = 20 #測(cè)試的間隔次數(shù)為20
)
 
#第六步，model.summary()
model.summary() #打印神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，統(tǒng)計(jì)參數(shù)數(shù)目