TF入门1-简单流程

原创于 2019-07-14 23:03:27 发布 · 909 阅读

0 ·

CC 4.0 BY-SA版权

TensorFlow 专栏收录该内容

2 篇文章

订阅专栏

本文介绍了使用TensorFlow实现深度学习和预测的简单流程。包括数据预处理，用Numpy或Pandas处理序列数据并分出训练、测试集；模型建立，借助keras包添加网络层并设计超参；模型训练时记录log和保存中间模型；最后分析accuracy和loss并做小结与规划。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

TensorFlow实现深度学习和预测的简单流程。

（1）数据预处理：整理分出训练、测试集 -- 序列数据依赖Numpy或者Pandas处理包；

（2）模型建立：设计模型结构 -- 依赖keras包添加网络层；

超参设计：隐藏层数目、激活函数、优化方法、loss方法；

model = Sequential()
model.add(Embedding(max_features, output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1, activation='relu'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.fit(x_train, y_train, validation_split=0.25, batch_size=32, epochs=2, verbose=1, callbacks=[TensorBoard(log_dir='./tmp/log')])

（3）模型训练：记录log、保存中间模型；

model.fit(x_train, y_train, validation_split=0.25, batch_size=32, epochs=2, verbose=1, callbacks=[TensorBoard(log_dir='./tmp/log')])

查看：tensorboard –-logdir=path/to/log --host=127.0.0.1

（4）结果分析：分析accuracy和loss，小结和下步计划。