[Python知识库] tensorflow学习笔记 (三)

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> tensorflow学习笔记 (三) -> 正文阅读

[Python知识库]tensorflow学习笔记 (三)

作者:token comment

文章目录

一、用Tensorflow API: tf.keras搭建网络八股

在这里插入图片描述

1. Sequential

描述各种网络，例如：
在这里插入图片描述

2. compile

在这里插入图片描述

3. fit

在这里插入图片描述

4. summary

在这里插入图片描述

5. 使用keras中的sequential重现鸢尾花分类

代码：

# author:qilin02811
# -*- coding = utf-8 -*-
# @Time:2022/4/27 23:02
import tensorflow as tf
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2())
])

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
    metrics=['sparse_categorical_accuracy'])

model.fit(x_train,y_train,batch_size=32,epochs = 500,validation_split = 0.2,validation_freq=20)

model.summary()

model.summary():可以显示网络结构：
在这里插入图片描述

6. 使用class搭建神经网络

因为sequential只能搭建数据从前往后传递的神经网络，如果前面的输入对应后面不同层的输入，则需要使用class搭建神经网络。
在这里插入图片描述

6.1 用class实现鸢尾花分类

代码：

# author:qilin02811
# -*- coding = utf-8 -*-
# @Time:2022/4/27 23:02
import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

class IrisModel(Model):
    def __init__(self):
        super(IrisModel,self).__init__()
        self.d1 = Dense(3,activation='sigmoid',kernel_regularizer=tf.keras.regularizers.l2())

    def call(self,x):
        y = self.d1(x)
        return y

model = IrisModel()

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
    metrics=['sparse_categorical_accuracy'])

model.fit(x_train,y_train,batch_size=32,epochs = 500,validation_split = 0.2,validation_freq=20)

model.summary()

结果：
在这里插入图片描述

二、手写数字识别

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()