六步法

1 import
2 train,test
3 model = Sequential()
4 model.compile()
5 model.fit()
6 model.evaluate()

 

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()

#导入模块
import tensorflow as tf
from sklearn import datasets
import numpy as np
#第二步，加载数据集
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)#设置随机种子，每次结果都一样方便对照
np.random.shuffle(x_train)#使用shuffle（）方法，让x_train乱序
np.random.seed(116)#设置随机种子，每次结果一样，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(116)
#第三步，models.Sequential()
model = tf.keras.models.Sequential()#使用models.Sequential()搭建神经网络
tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
#第四步，model.compile（）编译
model.compile(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，训练
model.fit(x_train, y_train, #告知训练集的输入以及标签
          batch_size=32, #每一批的batch的大小为32
          epochs=500, #迭代次数为500
          validation_split=0.2,#从训练集中选20%作为测试集
          validation_freq=20#没迭代20次训练集，要在测试集中验证一次准确率
          )
#第六步，打印网络结果和参数
model.summary()