模块化搭建神经网络（keras）

搭建步骤

• import ：
  导入相关模块
• train、test：
  指定训练数据集的输入特征x_train和训练集的输入标签y_train，测试集的输入特征x_test和测试集的输入标签y_test
• model = tf.keras.models.Sequential：
  搭建网络结构，定义前向传播
• model.compile：
  配置训练参数，定义优化器、损失函数、评测指标等
• model.fit：
  执行训练过程，输入训练集和测试集的输入特征及标签，定义Batch值和数据集训练次数
• model.summary：
  输出网络结构和参数统计

函数

Sequential()

描述各层网络结构：

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

网络结构示例：

• 拉直层：不含计算，只进行形状转换，将输入特征转换成一维数组。

  tf.keras.layers.Flatten()
  

• 全连接层：定义神经元个数、激活函数（relu、softmax、sigmoid、tanh等）、正则化（L1：tf.keras.regularizers.l1()、L2：tf.keras.regularizers.l2()）。

  tf.keras.layers.Dense(神经元个数, activation="激活函数", kernel_regularizer=正则化)
  

• 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()

配置训练参数，定义优化器、损失函数、评测指标等：

model.compile(optimizer=优化器, loss=损失函数, metrics=["准确率"])

• optimizer

  'sgd' or tf.keras.optimizers.SGD(lr=学习率, momentum=动量参数)
  'adagrad' or tf.keras.optimizers.Adgrad(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

  'mse' or tf.keras.losses.MeanSquaredError()
  'sparse_categorical_crossentropy' or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False) //from_logits:询问是否经过概率分布，若输出经过概率分布：False, 否则：True
  

• metrics

  'accuracy': y_和y都是数值，如y_=[1]、y=[1]
  'categorical_accurary': y_和y都是独热码（概率分布），如：y_=[0,1,0]、y=[0.256,0.695,0.048]
  'sparse_categoriacl_accuracy': y_是数值，y是独热码（概率分布），如：y_=[1]、y=[0.256,0.695,0.048]
  

fit()

执行训练过程，输入训练集和测试集的输入特征及标签，定义Batch值和数据集训练次数：

model.fit(训练数据集的输入特征, 训练数据集的输入标签,
		  batch_size= , epochs= ,
		  validation_data=(测试数据集的输入特征, 测试数据集的输入标签),
		  validation_split=从训练数据集中划分给测试数据集的比例
		  validation_freq=多少epoch测试一次)

summary()

输出网络结构和参数统计：

model.summary()

示例

import tensorflow as tf
from sklearn import datasets
import numpy as np

//下载训练数据集
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

//将数据集乱序
np.random.seed(100)
np.random.shuffle(x_train)
np.random.seed(100)
np.random.shuffle(y_train)

//Sequential()
model = tf.keras.model.Sequential([tf.keras.layers.Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2)])
//compile
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SpaerCategoricalCrossentropy(from_logits=False))
//fit
model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)
//summary
model.summary()