代码写作套路【1】使用tensorflow构建模型的2种方法

原创

已于 2022-05-16 12:02:28 修改 · 1.4k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #tensorflow

于 2021-06-21 14:38:31 首次发布

在这里插入图片描述

tensorflow是深度学习训练的常用框架，其代码书写有一些可以学习的套路。这个系列的博客将总结tensorflow构建深度学习网络并训练的几种套路。更进一步，结合tensorboard的使用，在这个系列的博客里还会介绍如何使用tensorboard来可视化实验结果。

前言

相信正在看这篇博客的你已经知道tensorflow是做什么的，也正在面对需要使用tensorflow进行深度学习的问题，你也一定在网上搜索了许多别人写的tensorflow框架下的代码。你一定发现了，不同人写的代码风格是不一样的，有时候这种风格各异会增加阅读代码的困难程度。

这正是我写这系列博客的目的，我同系列的博客里记录了，我遇到的写tensorflow代码的风格以及它们的特点。这个系列的博客会长期更新。

为了方便阅读了这篇博客的你阅读其他博客，这篇博客会设置一个统一的训练问题以及训练环境，接下来的所有博客都是基于这个设置进行的。

# packages
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import datetime
# configs 
input_shape = 1
output_shape = 1
EPOCH = 20

数据准备

这系列博客目的是分享tensorflow代码风格，采用的数据毫无实际意义，是随机产生的数据。

# data prepare
x_train = np.linspace(-1, 1, 100)
y_train = x_train * x_train * x_train + 0.1 * np.random.random(x_train.size)

x_test = np.linspace(-1, 1, 100)
y_test = x_train * x_train * x_train + 0.2 * np.random.random(x_test.size)

train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
test_dataset = tf.data.Dataset.from_tensor_slices((x_test, y_test))

模型构建

使用Sequential

这里的模型结构比较朴素简单，可以构建最简单，无分支的深度学习模型。下面的代码参考了keras官网对Sequential class的描述。使用Sequential可以将模型分层叠好，这里需要注意模型的输入输出结构，以及模型模块值域是否能匹配预期。（例如有的激活函数的值域大于0，有的是-1到1之间，需要具体问题具体分析。）

# model define
def build_model(input_shape, output_shape):
    model = tf.keras.models.Sequential()
    model.add(tf.keras.layers.Dense(10, input_dim=input_shape,kernel_initializer='random_normal',bias_initializer='zeros'))
    model.add(tf.keras.layers.LeakyReLU(alpha=0.01))
    model.add(tf.keras.layers.Dense(10, input_dim=10,kernel_initializer='random_normal',bias_initializer='zeros'))
    model.add(tf.keras.layers.LeakyReLU(alpha=0.01))
    model.add(tf.keras.