(P6)如何用keras产生一个合适的模型【配置optimizer】_tf.keras.layers.dense(128, activation='relu'),-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_41616829/article/details/103109735

本文介绍了如何使用Keras构建一个过拟合的模型，并通过增加层数、增大层大小、训练轮次来加剧过拟合。接着探讨了抑制过拟合的策略，如Dropout、正则化以及图像增强。在fashionmnist数据集上的实验显示，Dropout层有效地减少了过拟合现象。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

步骤

（A）首先开发一个过拟合的模型

（1）添加更多的层 --最有用
（2）让每一层变得更大
（3）训练更多的轮次

（B）抑制过拟合（没有足够数据的情况）

（1）dropout
（2）正则化
（3）图像增强

（C）再次调节超参数

（1）learning rate
（2）隐藏层单元数
（3）训练轮次

fashionminst数据集的一次尝试

首先，先用很多层和单元，看看是否过拟合

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

(train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()

#进行归一化处理
train_image = train_image/255
test_image = test_image/255

# 将label转化为onehot的编码形式
train_label_onehot = tf.keras.utils.to_categorical(train_label)
test_label_onehot = tf.keras.utils.to_categorical(test_label)

# 在原来的基础上多加上两个隐藏层
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf