用Tensorflow API:tf.keras搭建网络八股

六步法

1.import (import相关模块，比如import tensorflow as tf)
2.train test (喂入网络的训练集和测试集，指定训练集的输入特征x_train和训练集的标签y_train ，还可以指定测试集的输入特征x_test和测试集的标签y_test)
3.model=tf.keras.models.Sequential  (搭建网络结构，逐层描述每层网络)
4.model.compile (配置训练方法，告知训练时选择哪种优化器、损失函数、评测指标)
5.model.fit (执行训练过程，告知训练集和测试集的输入特征和标签，告知每个batch是多少、要迭代多少次数据集)
6.model.summary (打印网络的结构和参数统计)

Sequential用法

可以认为Sequential()是个容器，在这个容器中封装了一个神经网络结构

在Sequential要描述从输入层到输出层每一层的网络结构

例如：

1.拉直层：tf.keras.layers.Flatten()

2.全连接层：tf.keras.layers.Dense(神经元个数,activation='激活函数',kernel_regularizer=哪种正则化)

activation可选:relu、softmax、sigmoid、tanh
kernel_regularizer可选:tf.keras.regularizers.l1()、tf.keras.regularizers.l2()

3.卷积层:tf.keras.Conv2D(filter=卷积核个数,kernel_size=卷积核尺寸,strides=卷积步长,padding="valid" or "same")

4.LSTM层：tf.keras.layers.LSTM()

model.compile(optimizer=优化器,loss=损失函数,metrics=[“准确率”])

optimizer可选：

#优化器，可以是字符串形式的名字,还可以是函数形式(函数形式可以设置学习率、动量等超参数)
"sgd" or tf.keras.optimizers.SGD(lr=学习率,momentum=动量参数)
"adagrad" 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,beta_1=0.9,beta_2=0.999)

loss可选：

#优损失函数，可以是字符串形式的名字,还可以是函数形式
"mse" or tf.keras.losses.MeanSquaredError()
"sparse_categorical_crossentropy" or tf.keras.SparseCategoricalCrossentropy(from_logits=False)#from_logits=False 询问是否是原始输出(指未经过softmax概率输出的，经过False,未经过True)

Metrics可选：

"accuracy":y_和y都是值
"categorical_accuracy":y与y_都是独热码
"sparse_categorical":y_是值，y是独热码

model.fit

modelfit(训练集输入特征,训练集的标签，
         batch_size= , epochs= ,
         validation_data=(测试集的输入特征,测试集的标签)
         vaildation_split=从训练集划分多少比例给测试集
         vaildation_freq=多少epoch测试一次)
#validation_data与vaildation_split二选一

model.summery

model.summery可以打印网络的结构和参数统计

以鸢尾花分类的网络为例

六步法搭建鸢尾花分类网络

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'])

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

model.summary()

class搭建具有非顺序网络结构

#想要搭建非顺序的网络结构，可以用class
1.import 
2.train、test
3.class MyModel(model) model=MyModel
4.model.compile
5.model.fit
6.model.sunmmary

用class类来封装一个网络结构

class MyModel(Model)

class MyModel(Model):#MyModel为神经网络的名字，继承了Tensorflow的Model类
    def __init__(self):
        super(MyModel,self).__init__()
        定义网络结构模块
    def call(self,x):
        调用网络结构模块，实现前向传播
        return y

model=MyModel()
###
__init__() 定义所需的网络结构块
call() 写出前向传播
###

例子：

class IrisModel(Model):
    def __init__(self):
        supper(IrisModel,self).__init__()
        self.d1=Dens(3)
    
    def call(self,x):
        y=self.d1(x)
        return y

model=IrisModel()

用类实网络结构实现鸢尾花分类的代码：

import tensorflow as tf
from tensorflow.keras.layers import Dense#添加的部分
from tensorflow.keras import Model#添加的部分
import numpy as np
from sklearn import datasets

x=datasets.load_iris().data
y=datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x)
np.random.seed(116)
np.random.shuffle(y)

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

    def call(self,x):
        y=self.d1(x)
        return y
model=IrisModel()
# 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(learning_rate=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])

model.fit(x,y,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)

model.summary()

结果为

Epoch 500/500
4/4 [==============================] - 0s 11ms/step
- loss: 0.4527 
- sparse_categorical_accuracy: 0.8500 
- val_loss: 1.0348 
- val_sparse_categorical_accuracy: 0.5333

Model: "iris_model"
____________________________________________________________
 Layer (type)                Output Shape              Param 
============================================================
 dense (Dense)               multiple                  15        
                                                             
============================================================
Total params: 15
Trainable params: 15
Non-trainable params: 0
____________________________________________________________

其中:

loss：训练集loss
val_loss：测试集loss
sparse_categorical_accuracy：训练集准确率
val_sparse_categorical_accuracy：测试集准确率

MNIST数据集

MNIST数据集
提供6w张 28*28像素的0~9手写数字图片和标签，用于训练
提供1w张 28*28像素的0~9手写数字图片和标签，用于测试

导入数据集：
minist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data()
作为输入特征，输入神经网络时，将数据拉伸为一维
tf.keras.layers.Flatten()

import tensorflow as tf
from matplotlib import pyplot as plt

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data(r"这里填mnist数据集路径")#把minist数据集先下载到电脑中，再导入，直接下载容易出错

# 可视化训练集输入特征的第一个元素
plt.imshow(x_train[0], cmap='gray')  # 绘制灰度图
plt.show()

# 打印出训练集输入特征的第一个元素
print("x_train[0]:n", x_train[0])
# 打印出训练集标签的第一个元素
print("y_train[0]:n", y_train[0])

# 打印出整个训练集输入特征形状
print("x_train.shape:n", x_train.shape)
# 打印出整个训练集标签的形状
print("y_train.shape:n", y_train.shape)
# 打印出整个测试集输入特征的形状
print("x_test.shape:n", x_test.shape)
# 打印出整个测试集标签的形状
print("y_test.shape:n", y_test.shape)

用mnist数据集的训练代码

import tensorflow as tf

mnist=tf.keras.datasets.mnist

(x_train,y_train),(x_test,y_test)=mnist.load_data(r"这里填mnist数据集路径")

x_train,x_test=x_train/255.0,x_test/255.0#归一化到[0,1]

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)#执行训练过程

model.summary()

用类实现手写字识别

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(r"C:Users98306DesktopTensorflow中国大学MOOCTF笔记2.1共享给所有学习者class3mnist.npz")

x_train,x_test=x_train/255.0,x_test/255.0 #归一化到[0,1]

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=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()

Fashion MNIST数据集

Fashion MNIST数据集
提供6w张 28*28像素的0~9手写衣服裤子等图片和标签，用于训练
提供1w张 28*28像素的0~9手写衣服裤子等图片和标签，用于测试
一共十个分类

导入数据集：
minist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data()
作为输入特征，输入神经网络时，将数据拉伸为一维
tf.keras.layers.Flatten()

Fashion MNIST数据集没法直接代码下载的话可以参考这篇博客