tensorflow学习（keras）

原创

opprash

修改于 2019-09-20 18:13:37

6000

修改于 2019-09-20 18:13:37

文章被收录于专栏：大数据和机器学习

keras是什么？

keras是一个可用于快速构建和训练深度学习模型的API。里面的模型的一般的使用流程如下：

构造数据
构造标签
构造输入层
构造隐藏层
构造输出层
实例化模型
配置模型
训练模型

简单模型的构建

通常是构建序列模型，也就是一个全连接的多层感知机:

代码如下：其中使用layers.Dense()函数设置每一层的相关配置，具体内容可参考官网

#实例化模型为model=tf.keras.Sequential()
model=tf.keras.Sequential()
#添加第一层，激活函数是relu
model.add(layers.Dense(64,activation='relu'))
#添加第二层，激活函数是relu
model.add(layers.Dense(64,activation='relu'))
#添加第三层，激活函数是softmax

模型的训练和评估

构建好模型后，通过调用 compile 方法配置该模型的学习流程：

optimizer：此对象会指定训练过程。从tr.train模块向其传递优化器实例，例如tf.train.AdamOptimizer、tf.train.RMSPropOptimizer 或 tf.train.GradientDescentOptimizer。
loss：要在优化期间最小化的函数。常见选择包括均方误差 (mse)、categorical_crossentropy 和 binary_crossentropy。损失函数由名称或通过从 tf.keras.losses 模块传递可调用对象来指定。
metrics：用于监控训练。它们是 tf.keras.metrics 模块中的字符串名称或可调用对象。

model.compile(optimizer=tf.train.AdagradOptimizer(0.001),loss='categorical_crossentropy',metrics=['accuracy'])

高阶模型的构造

序列模型中，由于序列模型无法表达任意的模型，所以可以构建高阶模型来构建自己想要的模型，以下示例使用函数式 API 构建一个简单的全连接网络，构造构成其实和序列化的过程差不多：

    #构造数据
    data = np.random.random((1000, 32))
    #构造标签
    labels = np.random.random((1000, 10))   
    #构造输入层
    inputs=tf.keras.Input(shape=(32,))
    # 构造第一个隐藏层
    x=layers.Dense(64,activation='relu')(inputs)
    # 构造第二个隐藏层
    x=layers.Dense(64,activation='relu')(x)
    # 构造输出层
    predic=layers.Dense(10,activation='softmax')(x)
    #实例化模型
    model=tf.keras.Model(inputs=inputs,output=predic)
    # 配置模型
    model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),loss='categorical_crossentropy',metrics=['accuracy'])
    # 训练模型
    model.fit(data,labels,batch_size=32,epochs=5)

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

keras