【TensorFlow模型构建】Sequential():通过层的堆叠，构建神经网络_tensorflow sequential

model = Sequential()
1

2 网络构建

model.add(Dense(500,input_shape=(784,))) # 输入层，28*28=784  
model.add(Activation('tanh')) # 激活函数是tanh  
model.add(Dropout(0.5)) # 采用50%的dropout
1
2
3

3 编译

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数  
model.compile(loss='categorical_crossentropy', optimizer=sgd, class_mode='categorical') # 使用交叉熵作为loss函数
1
2

4 训练

model.fit(X_train,Y_train,batch_size=200,epochs=50,shuffle=True,verbose=0,validation_split=0.3)
model.evaluate(X_test, Y_test, batch_size=200, verbose=0)
1
2

5 输出

result = model.predict(X_test,batch_size=200,verbose=0)
1

tf.keras.models.Sequential 中的方法：

• add(layer) 添加层
  在层堆栈的顶部添加层实例

• compile 模型配置

compile(
    optimizer='rmsprop',  			# 字符串(优化器的名称)或优化器实例
    loss=None,						# 损失函数，如果模型有多个输出，您可以通过传递字典或损失列表来对每个输出
    								# 使用不同的损失，由模型最小化的损失值将是所有独立损失的总和。
    metrics=None,					# 在训练和测试期间，模型要评估的度量标准列表，通常将使用metrics=['accuracy']。
    								# 要为一个多输出模型的不同输出指定不同的度量，可以传递一个字典，例如metrics={'output_a': 'accuracy'， 'output_b': ['accuracy'， 'mse']}。
    								# 还可以传递矩阵列表(len = len(输出))，比如metrics=[[accuracy']， ['accuracy'， 'mse']，或者metrics=['accuracy'， ['accuracy'， 'mse']]。
    loss_weights=None,				# 指定标量系数(Python浮点数)的可选列表或字典，以对不同模型输出的损失贡献进行加权。
    sample_weight_mode=None,		# 如果需要按时间步长进行样本加权(2D加权)，请将其设置为“时间”。没有默认的采样权值(1D)。
    weighted_metrics=None,			# 在训练和测试期间，将通过sample_weight或class_weight评估和加权的度量列表。
    target_tensors=None,			# 默认情况下，Keras将为模型的目标创建占位符，这些占位符将在训练期间与目标数据一起提供。
    								# 相反，如果您想使用自己的目标张量(反过来，Keras在训练时不会期望这些目标的外部Numpy数据)，可以通过target_tensors参数指定它们。
    distribute=None,				# 在TF 2.0中不支持
    **kwargs						# 任何额外的参数
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

• evaluate 评价

evaluate(
    x=None,								# 输入值
    y=None,								# 目标值
    batch_size=None,					# 每次梯度更新的样本数
    verbose=1,
    sample_weight=None,					# 用于加权损失函数，在这种情况下，您应该确保在compile()中指定sample_weight_mode="temporal"。
    									# 当x是一个数据集时，不支持此参数，而是将示例权重作为x的第三个元素传递。
    steps=None,							# 样品批次数
    callbacks=None,						# 回调
    max_queue_size=10,					# 生成器队列的最大大小。如果未指定，max_queue_size将默认为10。
    workers=1,							# 使用基于进程的线程时要向上旋转的最大进程数，如果未指定，工人将默认为1。如果为0，将在主线程上执行生成器。
    use_multiprocessing=False  			# 请注意，由于此实现依赖于多进程，因此不应该将非picklable参数传递给生成器，因为它们不能轻松传递给子进程。
)

 
 
 
 
  
  
返回： metrics_names将为标量输出提供显示标签。
 

 
 
 

 
 
fit
 
fit(
    x=None,
    y=None,
    batch_size=None, 				# 每次梯度更新的样本数
    epochs=1,						# 训练模型的迭代数
    verbose=1,
    callbacks=None,
    validation_split=0.0,			# 将训练数据的一部分用作验证数据
    validation_data=None,			# 用于评估损失的数据和每个epoch结束时的任何模型度量。模型不会根据这些数据进行训练。validation_data将覆盖validation_split。
    shuffle=True,					# 在每个epoch之前对训练数据进行洗牌
    class_weight=None,			
    sample_weight=None,
    initial_epoch=0,				# 开始训练的时间(对于恢复之前的训练很有用)。
    steps_per_epoch=None,
    validation_steps=None,
    validation_freq=1,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    **kwargs
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
1
2
3
4
5
6
7
8
9
10
11
12
13

fit 函数存在返回值，可有 history = model.fit… 中间运行的数据结果

• get_layer 根据层的名称(惟一的)或索引检索层

get_layer(
    name=None,
    index=None
)
1
2
3
4

• load_weights 从TensorFlow或HDF5权值文件加载所有层权值

load_weights(
    filepath,
    by_name=False,
    skip_mismatch=False
)
1
2
3
4
5

• pop 删除模型中的最后一层。

pop()
1

• predict 为输入样本生成输出预测，计算是分批进行的。

predict(
    x,
    batch_size=None,
    verbose=0,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)
参考：
 https://blog.csdn.net/zjw642337320/article/details/81204560
 谷歌官方文档
                
 
 

  
  

 
 
                
                
        
1
2
3
4
5
6
7
8
9
10