ISL学习——tensorflow部分指令

tf.keras.layers.Sequential() #用来描述神经网络的结构，其中Sequential()里面的参数是用来描述从输入层到输出层的网络结构。

modnn = tf.keras.Sequential(
    [
        tf.keras.layers.Dense(units = 10, #参数为正整数，表示输出空间的维数为10维
                             activation = 'relu'), #参数为激活函数类型，这里选择ReLU激活函数；activation = None 表示没有激活函数；默认情况下，系统不会使用任何激活函数
        tf.keras.layers.Dropout(rate = 0.4), #rate = 0.4，表示将数据变成0的概率为0.4
        tf.keras.layers.Dense(units = 1, activation = 'sigmoid')
    ]
)

model.compile() #方法用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准
#具体格式为：
model.compile(optimizer = 优化器，
                        loss = 损失函数，
                        metrics = ["准确率”])

modnn.compile(loss = 'binary_crossentropy', #损失函数为 binary_crossentropy
              optimizer = 'rmsprop', #优化器为 rmsprop
              metrics = 'accuracy') #网络评价指标为 accuracy

modnn.fit(x, y, batch_size, epochs, verbose, validation_split, validation_data, validation_freq)

#x, y 分别表示训练集的输入和输出
#batch_size 表示训练一次网络所用的样本数
#epichs 表示迭代次数
#verbose 表示是否输出信息。verbose = '0'表示不输出信息， verbose = '1'表示输出信息。
#validation_split 表示(0,1)的浮点数，分割数据当验证数据，其它当训练数据
#validation_data 表示验证数据，该数据将覆盖validation_spilt设定的数据
#validation_freq 表示验证数据的epoch
#callback 在每个training/epoch/batch结束时，可以通过回调函数Callbacks查看一些内部信息。常用的callback有EarlyStopping，当监视的变量停止改善时，停止训练，防止模型过拟合，其默认参数如下：

callback=callbacks.EarlyStopping(monitor='loss',min_delta=0.002,patience=0,mode='auto',restore_best_weights=False)