标签：layers keras python sequential lr tf Model optimizers
搭建网络八股步骤
Import
Train, test
Model = tf.keras.models.Sequential 搭建网络结构
Model.compile 配置训练参数，告知优化器、损失函数、评测指标
Model.fit 配置训练过程，告知训练集的输入特征和标签、batch、迭代次数
Model.summary
具体步骤
1.Model = tf.keras.models.Sequential([网络结构]) 描述各层网络
网络结构举例：
拉直层：tf.kears.layers.Flatten()
全连接层：tf.kears.layers.Dense(神经元个数，activation=”激活函数”，kernel_regularizer=哪 种正则化方法)
Activation可选：relu, softmax, sigmoid, tanh
Kernel_regularizer可选：tf.keras.regularizers.l1(), tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D(filters=卷积核个数，kernel_size=卷积核尺寸，strides=卷积步长，padding=”valid” or “same”)
LSTM层：tf.keras.layers.LSTM()
2.Model.compile(optimizer=优化器，loss=损失函数，metrics=[“准确率”])
Optimizer可选：
‘sgd’ or tf.keras.optimizers.SGD(lr=学习率，momentum=动量参数)
‘sdagrad’ or tf.keras.optimizers.Adagrad(lr=学习率)
‘adadelta’ or tf.keras.optimizers.Adadelta(lr=学习率
‘adam’ or tf.keras.optimizers.Adam(lr=学习率，brta_1=0.9, beta_2=0.999)
Loss可选：
‘mse’ or tf.keras.losses.MeanSquaredError()
‘sparse_categorical_crossentropy’ or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False) from_logits=是否是原始概率分布，若经过softmax分类，为false
Metrics可选：
‘accuracy’: y_和y都是数值，y_=[1] y=[1]
‘categorical_accuracy’: y_和y都是独热码（概率分布）,如y_=[0,1,0] y=[0.2,0.6,0.2]
‘sparse_categorical_accuracy’: y_是数值，y是独热码（概率分布），如y_=[1] y=[0.2,0.6,0.2]
3.Model.fit(训练集的输入特征，训练集的标签，batch_size=每次喂入数据网络的数据集，epochs=迭代多少次数据集，validation_data=(测试集的输入特征，测试集的标签)，validation_split=从训练集中划分多少比例给测试集，validation_freq=多少次epoch测试一次)
标签：layers,keras,python,sequential,lr,tf,Model,optimizers 来源： https://blog.csdn.net/weixin_44612221/article/details/114278870
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。