DAY12 Tensorflow 六步法搭建神经网络

六步法:

一.import

导入各种库,比如:

python 复制代码
import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model
import numpy as np
import pandas as pd
# 可能还会根据需求导入其他库,如用于数据可视化的 matplotlib 等
import matplotlib.pyplot as plt

二.train,test

准备训练数据和测试数据,比如:

python 复制代码
# 以 MNIST 数据集为例
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0

首先,从相应的数据集中加载数据,如这里使用 mnist.load_data() 加载 MNIST 手写数字数据集,得到训练集的特征 x_train 和标签 y_train,以及测试集的特征 x_test 和标签 y_test。然后,对数据进行预处理,常见的预处理操作包括归一化、标准化等。在上述代码中,将图像像素值除以 255,将其缩放到 0 到 1 的范围,这有助于模型的训练和收敛。

三.model=tf.keras.models.Sequential

构建模型架构,比如:

python 复制代码
model = tf.keras.models.Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

四.model.compile

配置模型训练过程,比如:

python 复制代码
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

这一步用于配置模型的训练过程,主要设置三个重要参数:

optimizer:优化器,用于调整模型的参数以最小化损失函数。adam 是一种常用的优化器,它结合了 AdaGrad 和 RMSProp 的优点,具有自适应学习率的能力。

loss:损失函数,用于衡量模型预测结果与真实标签之间的差异。其中sparse_categorical_crossentropy 适用于标签为整数编码的多分类问题。

metrics:评估指标,用于在训练和测试过程中监控模型的性能。accuracy 表示准确率,即模型预测正确的样本数占总样本数的比例。

五,model.fit

进行模型训练,使用训练模型进行迭代训练。

python 复制代码
model.fit(x_train, y_train, epochs=5)

六,model.summary

这一步用于打印模型的结构信息,包括每一层的名称、输出形状和参数数量等。通过查看 model.summary() 的输出,你可以了解模型的整体架构和参数规模,帮助你检查模型是否符合预期,以及评估模型的复杂度。

python 复制代码
model.summary()

各自的使用方法:

Flatten只是把数值特征拉成一维数组

Dense全连接

后面是卷积神经网络层和循环神经网络层

compile配置训练方法。

validation_data和validation_split二选一,进行训练。

validation_freq 多少轮训练后用测试集测试一次。

model.summary()打印出统计结果,其中可以看到,总共的参数15个,可训练参数15个,不可训练参数0个。

以下是用六步法搭建鸢尾花分类。

python 复制代码
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()

首先import,然后两个train交代训练集和测试集。

np到tf这几个random用于打乱数据集设置。

model中设置网络结构。3指的是神经元个数是3,activation选用激活函数,最后是选用正则化方法。

complie中配置训练方法,SGD优化器,学习率0.1,选用SparseCategoricalCrossentropy当做损失函数,由于神经末端使用softmax函数,输出不是原始分布,所以logits=False。

鸢尾花数据集给的是0,1,2是数值,神经网络前向输出是概率分布,选择sparse_categorical_accuracy作为测评指标。

fit中执行训练过程,分别是 输入特征,训练集标签,训练时一次喂给神经网络多少组数据batch_size,循环迭代次数,validation_split=0.2告知从训练集中选择百分之20数据当做测试集,validation_freq=20,表示迭代20次,在测试集中验证一次准确率。

运行结果:

可见,打印出了网络结构和参数统计。

相关推荐
赵钰老师10 分钟前
【Deepseek、ChatGPT】智能气候前沿:AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
人工智能·python·深度学习·机器学习·数据分析
AIGC-Lison10 分钟前
【CSDN首发】Stable Diffusion从零到精通学习路线分享
人工智能·ai·stable diffusion·aigc·sd
AI绘画咪酱11 分钟前
Stable Diffusion|Ai赋能电商 Inpaint Anything
人工智能·ai·ai作画·stable diffusion·sd·ai教程·sd教程
ruokkk12 分钟前
Spring AI MCP 客户端实战:轻松连接高德地图等工具
人工智能
_一条咸鱼_13 分钟前
AI Agent 工作原理深入剖析
人工智能
飞哥数智坊15 分钟前
AI编程实战:数据大屏生成初探
人工智能
蚝油菜花16 分钟前
Cua:Mac用户狂喜!这个开源框架让AI直接接管你的电脑,快速实现AI自动化办公
人工智能·开源
蚝油菜花16 分钟前
AutoAgent:无需编程!接入DeepSeek用自然语言创建和部署AI智能体!港大开源框架让AI智能体开发变成填空题
人工智能·开源
nuise_18 分钟前
李宏毅机器学习笔记06 | 鱼和熊掌可以兼得的机器学习 - 内容接宝可梦
人工智能·笔记·机器学习
声网32 分钟前
MiniMax 发布新 TTS 模型 Speech-02,轻松制作长篇有声内容;Meta 高端眼镜年底推出:售价上千美元丨日报
人工智能