tensorflow学习笔记（五）

最新推荐文章于 2024-12-07 15:45:16 发布

段段努力上分

最新推荐文章于 2024-12-07 15:45:16 发布

阅读量232

点赞数

分类专栏：学习笔记文章标签：神经网络深度学习 tensorflow

本文链接：https://blog.youkuaiyun.com/weixin_44660348/article/details/113408890

版权

学习笔记专栏收录该内容

12 篇文章

订阅专栏

本文详细介绍了使用TensorFlow进行神经网络搭建的两种方法：Sequential API和子类化方式，并分别应用于Iris、MNIST和Fashion数据集。通过六步法展示了如何导入库、构建模型、配置参数、训练模型以及评估性能。同时，针对MNIST和Fashion数据集，实现了手写数字和衣物图像的识别任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（听完北大曹健老师的课，特此复习）

一、本节课的知识点

神经网络搭建八股
iris代码复现
MNIST数据集
训练MNIST数据集
Fashion数据集

二、用Tensorflow API：tf.keras搭建网络八股

六步法

import相关包
准备训练集train，测试集test
搭建网络结构 model = tf.keras.models.Sequential（顺序搭建的方法）
配置模型参数 model.compile
配置训练参数 model.fit
显示模型结构 model.summary

三、iris代码复现

import tensorflow as tf
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])
'''
优化器：这里使用的是一般的梯度下降法；
损失函数：由于我们输出的是概率分布（该特征属于三种鸢尾花的概率值，故from_logits设为Flase）
网络的评估函数：由于预测值y是概率分布，标签y_是数值，故使用sparse_categorical_accuracy
'''
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
#validation_split=0.2的意思是取数据集的20%作为测试集，剩下的作为训练集
#validation_freq=20的意思是每20次epoch测试一次
model.summary()

六步法

import相关包
准备训练集train，测试集test
class MyModel(Model) model=MyModel搭建网络机构（模式化子类的方法）
model.compile
model.fit
model.summary

import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        y = self.d1(x)
        return y

model = IrisModel() #实例化模型

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
model.summary()

四、MNIST数据集

简介：
在这里插入图片描述
输出：

使用Sequential完成对MNIST手写数字的识别

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
#归一化，将输入特征中每个点的像素值归一化到0~1，更适合神经网络吸收（我这里理解的是更方便计算）
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

用子类化的方法：

import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0


class MnistModel(Model):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.flatten(x)
        x = self.d1(x)
        y = self.d2(x)
        return y


model = MnistModel()

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

五、fashion数据集

简介：
在这里插入图片描述
用Sequential的方法顺序搭建模型实现对fashion数据集的识别

import tensorflow as tf

fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

用子类的方法实现：

import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model

fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0


class MnistModel(Model):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.flatten(x)
        x = self.d1(x)
        y = self.d2(x)
        return y


model = MnistModel()

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()