m0_58297458的博客

Sequential模型的基本组件有5个部分：model.add()、model.compile()、model.fit()、model.evaluate()、model.predict()。将输入层、隐藏层、输出层按需等添加进Sequential容器，Sequential模型的核心操作是添加layers（图层），是简单的线性、从头到尾的顺序结构。tensor：可选参数，若指定，该层将使用这个张量作为输入，而非创建新的占位符张量。# 创建模型，将前面定义的输入层和输出层关联起来，构建完整的神经网络模型。

targets: 接收int、float类型值，（如果不处理标签只处理数据，传入targets=None）表示目标值，和data长度一样。sequence_length: 接收int类型值，一个输出序列sequence的长度，即有多少个timestep。data:接收int、float类型值，表示要转换的原始时间序列数据，里面的每个叫做一个。将原始数据转换为适合分析和建模的格式，提高数据质量，确保模型的准确性和可靠性。sequence_stride:接收int类型值，表示连续输出序列的周期。

分割数据，使用 tf.strings.split 函数将文件路径 filename 按照操作系统的路径分隔符 os.sep 进行分割# 读取并输出输入文件名的全部内容# 编码解码处理# 转换为float类型# 尺寸调整为128*128第四步、调用parse_image函数，操作数据集元素# 找到文件路径print('image的内容',image)print('label的内容',label)# 自定义函数绘制图像图形。

网络模型有很多，需要根据要解决的任务选择合适网络模型，以下以搭建Sequential网络结构为例先使用tf.keras.Sequential()函数创建一个空容器，再用add()函数添加层（add添加层可以是全连接层、卷积层、池化层等），如果是全连接层就是tf.keras.layers.Dense( inputs，activation， input_shape)，其中参数 inputs 表示指定该网络层中的神经元个数；参数 activation 表示激活函数，以字符串的形式给出，包括relu、

使用tf.concat()函数拼接张量，tf.concat函数是用于拼接张量的重要工具。它的基本用法是tf.concat([tensor1, tensor2, tensor3,...], axis)，其中axis参数指定了拼接的维度，axis=0代表在第0个维度拼接，axis=1代表在第1个维度拼接。可以用来改变张量的形状，它接受一个张量和一个新的形状作为输入，返回一个具有新形状的张量。元素个数不可以改变哦。可以用来在张量的指定轴上增加一个维度，它接受一个张量和一个轴作为输入，返回一个具有新形状的张量。

verify_shape： 默认值为False，如果值为True时，在定义常量时会自动检测value和shape维度是否相同，不同则报错，例如value定义为1，而shape定义为一行两列的矩阵（1,2），那么肯定会报错。其中indices中的顺序必须有前后顺序，比如[0,6]不能在[0,2]前边，否则会报错，tf.sparse.reorder方法可以解决这个问题，自动调整顺序。：一个矩阵，一个数值表格，例如 [[1, 2], [3, 4],[5, 6]]。value：常量值，可以为数值、向量或矩阵。

向量的形状只包含一个元素，比如 (3,)，而标量的形状为空，即 ()。2）形状：这是一个元组，表示张量沿每个轴的维度大小（元素个数），因表示元素个数，一定是整数元组。（数据表）：一个矩阵，一个数值表格，例如 [[1, 2], [3, 4],[5, 6]]。（只有大小）：（也叫标量张量、零维张量、0D 张量）只有一个数值，比如1；（有大小有方向）：一个向量，一个数值序列，比如 [1, 2, 3]。1）阶：常用阶来表示张量的维度，几个阶就有几个维度，就有几个轴。每一个张量都有一个唯一的数据类型。