19、构建神经网络模型与超参数调优实战

构建神经网络模型与超参数调优实战

1. 构建神经网络模型

在创建好预处理层之后，接下来要将所有内容整合起来。首先，需要把所有预处理层连接成一个单一的层，作为神经网络的输入。可以使用以下代码完成此任务：

prepared_layer = Concatenate()(preproc_layers.values())
prepared_layer = tf.reshape(prepared_layer, [-1,3903])

上述代码逻辑较为清晰：创建一个 Concatenate 层，然后将输入层列表传递给它。由于预处理层存储在字典中，只需提取字典的值即可。 prepared_layer 是一个长度为 3903 的张量，考虑了独热编码和分桶特征的所有可能特征值。第二行代码将 prepared_layer 重塑为一个二维张量，这是函数式 API 中下一层所期望的输入形式。

当所有输入整合为一个层后，构建模型的其余过程与之前的操作大致相同。以下是使用函数式 API 构建模型的代码：

hid_1 = tf.keras.layers.Dense(16, activation='relu')(prepared_layer)
hid_2 = tf.keras.layers.Dense(16, activation='relu')(hid_1)
output = tf.keras.layers.Dense(1)(hid_2)

mo