目录

引言：keras与Tensorflow2.0结合

一、六步法

1.导入头文件：import

2.收集处理训练集和测试集：train, test：

3.描述各层网model = tf.keras.models.Sequential：

4.描述使用什么优化反向传播：model.compile

5.训练数据填入：model.fit

6.打印数据：model.summary

二、Sequential（）

函数使用

过程1：拉直层

过程2：全连接层

过程3：卷积层

过程4：LSTM层

三、compile（）

函数使用

Optimizer可选

loss可选

Metrics可选

四、fit（）

函数使用

五、model.summary（）

总结：

---

引言：keras与Tensorflow2.0结合

一、六步法

1.导入头文件：import

2.收集处理训练集和测试集：train, test：

3.描述各层网model = tf.keras.models.Sequential：

4.描述使用什么优化反向传播：model.compile

5.训练数据填入：model.fit

6.打印数据：model.summary

二、Sequential（）

函数使用

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

过程1：拉直层

tf.keras.layers.Flatten( )

过程2：全连接层

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

activation（字符串给出）可选: relu、 softmax、 sigmoid 、 tanh kernel_regularizer可选: tf.keras.regularizers.l1()、tf.keras.regularizers.l2()

过程3：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")

过程4：LSTM层

tf.keras.layers.LSTM()

三、compile（）

函数使用

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

Optimizer可选

‘sgd’ or tf.keras.optimizers.SGD (lr=学习率,momentum=动量参数)

‘adagrad’ or tf.keras.optimizers.Adagrad (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可选

‘mse’ or tf.keras.losses.MeanSquaredError()

tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False）

Metrics可选

‘accuracy’ ：y_和y都是数值，如y_=[1] y=[1]

‘categorical_accuracy’ ：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_categorical_accuracy’ ：y_是数值，y是独热码(概率分布),如y_=[1] y=[0.256,0.695,0.048

四、fit（）

函数使用

model.fit (训练集的输入特征, 训练集的标签, batch_size= , epochs= , validation_data=(测试集的输入特征，测试集的标签), validation_split=从训练集划分多少比例给测试集， validation_freq = 多少次epoch测试一次)

五、model.summary（）

总结：

• 本文主要借鉴：mooc曹建老师的《人工智能实践：Tensorflow笔记》
• 第一个神经网络的搭建，利用tensorflow2.0
• 提醒：跑数据的时候经理用一个空电脑，不然跑不动，内存不够，电脑会坏掉
• 六步法牢记心中，每个网络都是这么搭建的，目前大家都是稍做了修改