深度学习笔记_Keras六步法搭建网络

Posted 2021-08-29 Welcome_Back

深度学习笔记_Keras六步法搭建网络

• Keras六步法搭建网络，以MNIST数据集为例
• • 一、import加载库
  • 二、设置训练集、测试集
  • 三、搭建神经网络
  • 四、配置神经网络
  • 五、执行训练
  • 六、打印网络结构及参数
  • 代码

Keras六步法搭建网络，以MNIST数据集为例

一、import加载库

加载所需要的库，使用tensorflow库

import tensorflow as tf

二、设置训练集、测试集

设置所需要的训练集和测试集
Mnist数据集：共有7万张图片。其中6万张用于训练神经网络，1万张用于测试神经网络。
每张图片是一个2828像素点的0~9的手写数字图片。

(x_train, y_train)
训练集：（训练集特征，训练集标签）
(x_test, y_test)
测试集：（测试集特征，测试集标签）
特征即2828像素点的0~9的手写数字图片
标签即对应数字

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，小数值利于神经网络运算

三、搭建神经网络

拉直层：tf.keras.layers.Flatten()
全连接层:tf.keras.layers.Dense(神经元个数，activation=”激活函数”，kernel_regularizer=正则化方式)
卷积层：tf.keras.layers.Conv2D(fliters=卷积核个数，kernel_size=卷积核尺寸，strides=卷积步长，padding=”valid”or “same”)

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),                #拉直层，将数据特征（图片）拉直为一维
    tf.keras.layers.Dense(128, activation='relu'),   #全连接层第一层，128个神经元，激活函数relu
    tf.keras.layers.Dense(10, activation='softmax')  #全连接层第二层，10个神经元，激活函数softmax
])

四、配置神经网络

在这里设置神经网络的优化器、损失函数及评价标准

model.compile(optimizer='adam',   #优化器
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),#输出已满足概率分布
              metrics=['sparse_categorical_accuracy'])

五、执行训练

model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1 )#迭代一次epoch，进行一次评测

六、打印网络结构及参数

model.summary()

代码

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，小数值利于神经网络运算
#搭建网络
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),                #拉直层
    tf.keras.layers.Dense(128, activation='relu'),   #第一层，128个神经元，激活函数relu
    tf.keras.layers.Dense(10, activation='softmax')  #第二层，10个神经元，激活函数softmax
])
#配置训练方法
model.compile(optimizer='adam',   #优化器
              #损失函数
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),#输出已满足概率分布
              #
              metrics=['sparse_categorical_accuracy'])
#执行
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1 )#迭代一次epoch，进行一次评测
#打印网络结构和参数统计
model.summary()

使用class方法搭建网络

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()

学习课程：北京大学人工智能实践-TensorFlow2.0