1.建立Sequential模型

2022-02-27

整个过程可以分为五个步骤：

1 创建模型，2 添加所需的神经层，3 使用 .方法来确定模型训练结构，4使用.拟合方法

将模型“拟合”到训练数据，5. 方法进行预测。

1.建立模型

导入模块并在keras中使用模型

import tensorflow as tf
model = tf.keras.Sequential()

keras.()模型是顺序堆叠模型，需要的神经层可以依次添加到模型中

2.添加神经层

使用model.add()方法将需要的神经层添加到已建立的模型中

首先是输入层

1 model.add(tf.keras.layers.Flatten(input_shape = (28, 28)))#输入的数据为 28*28的二维数据

是常用的输入层，可以将输入的多维数据扩展为一维，方便输入到神经网络中。

参数是作为元组的输入数据的维度。

然后就是添加中间层，这里只介绍几个简单的中间层。

Dense：全连接神经网络层。

：对于神经网络单元，以一定的概率暂时将其从网络中丢弃。

1 model.add(tf.keras.layers.Dense(128, activation = "relu"))
2 model.add(tf.keras.layers.Dropout(0.5))

Dense 中的第一个参数只是隐藏单元的数量。隐藏单元越多，神经网络就越复杂。参数为Dense层的激活函数。

就是按照一定的概率随机丢弃一些隐藏单元，避免隐藏单元之间过度依赖导致的过拟合。该层可以有效地抑制过拟合。参数是随机丢弃隐藏单元的概率。

最后一步是添加分类器。

分类器也是一个中间层，激活函数选择一些函数进行分类。

是常用的分类器。

1 model.add(keras.layers.Dense(10, activation='softmax'))

这里添加了一个分类器，第一个参数是分类的类别，是一个10类分类器。

3.使用.()方法确定模型训练过程

1 model.compile(optimizer = 'adam', #梯度下降
2               loss = 'sparse_categorical_crossentropy', #损失函数
3               metrics = ['acc'] #正确率
4              )

参数是选择模型梯度下降的传输优化器实例。您还可以通过以下方式在优化器中自定义学习率。

1 optimizer = tf.keras.optimizers.Adam(learning_rate = 0.001)

损失参数是选择计算模型误差的损失函数。常见的是均方误差 ‘mse’ 和 ”。

对于监控训练，它们是 tf.keras 中的字符串名称或可调用对象。模块。

4.使用.fit()方法训练模型

model.fit(train_image, train_label, epochs = 10,batch_size = 32,
          validation_data = (test_image, test_label) 
          #显示测试集在训练中的测试情况
          )

前两个参数是训练数据和数据的标签。

是迭代次数，即对这些数据重复训练的次数。

每次迭代的数据输入量。

监控迭代期间对验证集的影响。

5.评估和预测

1 model.evaluate(test_image, test_label)

使用 .() 方法评估测试集。

1 model.predict(test_image[0])

使用 .() 方法预测数据并返回预测结果。

分类：

技术要点：

相关文章：