五湖四海娱乐澳&(2)

2019-05-01 10:34栏目：新闻

TAG：谷歌设计知乎

kernel_initializer 和 bias_initializer：创建层权重（核和偏差）的初始化方案。此参数是一个名称或可调用对象，默认为 "Glorot uniform" 初始化器。

kernel_regularizer 和 bias_regularizer：应用层权重（核和偏差）的正则化方案，例如 L1 或 L2 正则化。默认情况下，系统不会应用正则化函数。

layers.Dense(32, activation='sigmoid')

layers.Dense( 32, activation=tf.sigmoid)

layers.Dense( 32, kernel_initializer= 'orthogonal')

layers.Dense( 32, kernel_initializer=tf.keras.initializers.glorot_normal)

layers.Dense( 32, kernel_regularizer=tf.keras.regularizers.l2( 0.01))

layers.Dense( 32, kernel_regularizer=tf.keras.regularizers.l1( 0.01))

3. 训练和评估

3.1 设置训练流程

构建好模型后，通过调用 compile 方法配置该模型的学习流程：

model = tf.keras.Sequential()

model.add(layers.Dense( 32, activation= 'relu'))

model.add(layers.Dense( 10, activation= 'softmax'))

model.compile(optimizer=tf.keras.optimizers.Adam( 0.001),

loss=tf.keras.losses.categorical_crossentropy,

metrics=[tf.keras.metrics.categorical_accuracy])

3.2 输入 Numpy 数据

importnumpy asnp

train_x = np.random.random(( 1000, 72))

train_y = np.random.random(( 1000, 10))

val_x = np.random.random(( 200, 72))

val_y = np.random.random(( 200, 10))

model.fit(train_x, train_y, epochs= 10, batch_size= 100,

validation_data=(val_x, val_y))

3.3tf.data 输入数据

dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))

dataset = dataset.batch( 32)

dataset = dataset.repeat()

val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y))

val_dataset = val_dataset.batch( 32)

val_dataset = val_dataset.repeat()

model.fit(dataset, epochs= 10, steps_per_epoch= 30,

validation_data=val_dataset, validation_steps= 3)

3.4 评估与预测

test_x = np.random.random(( 1000, 72))

test_y = np.random.random(( 1000, 10))

model.evaluate(test_x, test_y, batch_size= 32)

test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y))

test_data = test_data.batch( 32).repeat()

model.evaluate(test_data, steps= 30)

# predict

result = model.predict(test_x, batch_size= 32)

print(result)

4. 构建高级模型

4.1 函数式 api

tf.keras.Sequential 模型是层的简单堆叠，无法表示任意模型。使用 Keras 函数式 API 可以构建复杂的模型拓扑，例如：

多输入模型，
多输出模型，
具有共享层的模型（同一层被调用多次），
具有非序列数据流的模型（例如，残差连接）。

使用函数式 API 构建的模型具有以下特征：

层实例可调用并返回张量。
输入张量和输出张量用于定义 tf.keras.Model 实例。
此模型的训练方式和 Sequential 模型一样。

input_x = tf.keras.Input(shape=(72,))

hidden1 = layers.Dense( 32, activation= 'relu')(input_x)

hidden2 = layers.Dense( 16, activation= 'relu')(hidden1)

pred = layers.Dense( 10, activation= 'softmax')(hidden2)

model = tf.keras.Model(inputs=input_x, outputs=pred)

model.compile(optimizer=tf.keras.optimizers.Adam( 0.001),

loss=tf.keras.losses.categorical_crossentropy,

metrics=[ 'accuracy'])

model.fit(train_x, train_y, batch_size= 32, epochs= 5)

4.2 模型子类化

五湖四海娱乐澳&(2)

随机看看

热门文章