tensorflow2.0 简单搭建4层全连接神经网络

利用tf的框架搭建一个如图的神经网络
在这里插入图片描述

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,optimizers,losses,datasets,Sequential

model=keras.Sequential([
    layers.Dense(256,activation='relu'),
    layers.Dense(256,activation='relu'),
    layers.Dense(256,activation='relu'),
    layers.Dense(10)
])

model.build(input_shape=(4,784))#模型的搭建
model.summary()#查看每一层的信息

#。以第一层为例,输入特征长度为 784,输 出特征长度为 256,当前层的参数量为 784 ∙ 256 + 256 = 200960 ,
# 同样的方法可以计算第 二、三、四层的参数量.

在这里插入图片描述

TensorFlow 2.0中,搭建神经网络的一个简单实例通常涉及以下几个步骤: 首先,你需要安装TensorFlow库,如果还没有的话,可以使用以下命令: ```bash pip install tensorflow ``` 然后,你可以开始创建一个基本的全连接(Dense Layer)神经网络模型。这里是一个简单的多感知机(Multilayer Perceptron, MLP)的示例: ```python import tensorflow as tf from tensorflow.keras import layers # 定义超参数 input_dim = 784 # 输入维度,例如对于MNIST数据集,每个像素为1 hidden_units = [512, 256] # 隐藏神经元的数量 output_dim = 10 # 输出类别数,如MNIST有10个数字 # 创建模型 model = tf.keras.Sequential([ layers.Dense(hidden_units[0], activation='relu', input_shape=(input_dim,)), # 第一隐藏 layers.Dense(hidden_units[1], activation='relu'), # 后续隐藏 layers.Dense(output_dim, activation='softmax') # 输出,用于分类 ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 示例输入数据 example_input = tf.random.uniform((1, input_dim)) # 打印模型概况 model.summary() ``` 在这个例子中,我们使用了ReLU激活函数和Adam优化器,并设置了交叉熵损失。`summary()`方法展示了模型的结构。 如果你想训练这个模型,还需要准备训练数据,比如加载MNIST数据集: ```python (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 归一化 x_train, x_test = x_train / 255.0, x_test / 255.0 # 将图像数据调整为适合神经网络的形状 x_train = x_train.reshape(-1, input_dim) x_test = x_test.reshape(-1, input_dim) # 训练模型 model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test)) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值