tensorflow keras使用的一般步骤

import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
#生成训练数据
tran_dat=[]
tran_label=[]
for i in range(1,10000):
    x = np.random.uniform(low=0.0, high=2.0)
    sum = int(np.random.uniform(low=0, high=2))
    y = sum-x
    tran_dat.append([x,y])
    tran_label.append(sum)
# print(tran_dat)
# print(tran_label)
#测试数据
test_dat=[]
test_label = []
for i in range(1,100):
    x = np.random.uniform(low=0.0, high=2.0)
    sum = int(np.random.uniform(low=0, high=2))
    y = sum-x
    test_dat.append([x,y])
    test_label.append(sum)
#定义网络模型模型
# 第一Dense层具有2个节点（或神经元）。 使用sigmoid激活函数
# 第二层40个节点
#第三层返回长度为2的logits数组。每个节点包含一个得分，该得分指示类别。该处表示两数和为0或1的概率
model = keras.Sequential([
    keras.layers.Dense(2,activation= 'sigmoid'),
    keras.layers.Dense(40, activation='sigmoid'),
    keras.layers.Dense(2)
])

#编译模型
# 优化器 -这是基于模型看到的数据及其损失函数来更新模型的方式。
# 损失函数 -衡量训练期间模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
# 指标 -用于监视培训和测试步骤。
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

#开始训练
model.fit(tran_dat, tran_label, epochs=10)

#评估准确性 接下来，比较模型在测试数据集上的表现：
test_loss, test_acc = model.evaluate(test_dat,  test_label, verbose=2)
print('\nTest accuracy:', test_acc)

# 将整个模型保存为 HDF5 文件。
# '.h5' 扩展名指示应将模型保存到 HDF5。
model.save('saved_model/my_model.h5')

#进行预测
# probability_model = tf.keras.Sequential([model, 
#                                          tf.keras.layers.Softmax()])
# predictions = probability_model.predict(test_dat)
# print(predictions)
# print(test_dat)

加载保存的模型以及进行预测

import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt


new_model = tf.keras.models.load_model('saved_model/my_model.h5')

new_model.summary()

test_dat=[]
test_label = []
for i in range(1,10):
    x = np.random.uniform(low=0.0, high=2.0)
    sum = int(np.random.uniform(low=0, high=2))
    y = sum-x
    test_dat.append([x,y])
    test_label.append(sum)

probability_model = tf.keras.Sequential([new_model, 
                                         tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_dat)
print(predictions)
print(test_dat)

官方例程网站

https://tensorflow.google.cn/tutorials/keras/text_classification_with_hub