tensorflow 2.0学习笔记1

tensorflow学习笔记01

有错误还请各位指正！

模型的建立与编译训练测试

Sequential模型

调用：tf.keras.Sequential()

作用：序列模型

使用：

# 方法一：
model = tf.keras.Sequential([layer,layer])
# 方法二：
model = tf.keras.Sequential()
model.add(layer)
model.add(layer)

函数API式

适合多输入的模型

Dense层

很简单的神经网络层，只需看安排好它的激活函数

默认激活函数为f(x)=ax+b;

tf.keras.layers.Dense(输出数据的维度, 输入数据的维度：input_shape=(1,), 激活函数：activation=’’, 名字：name=’’)

Flatten层

将多维变1维

多层感知器

具有隐藏层的神经网络

编译过程

调用：model.compile(optimizer='',loss='',metrics=[])

参数：

optimizer：优化器（优化方法）

loss：损失函数

metrics：指标

实例：

model.compile(optomizer=tf.keras.optimizers.Adam(),
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['acc']
             )

训练过程

调用：

model.fit(# 输入样例，
    	  # 输出样例，
		  epochs,
		  steps_per_epoch=,
    	  val_step = ,
		  validation_data=(x_val, y_val),
    	  callbacks = []
		  )

参数：

epochs：训练次数

batch_size：数据切分成大小为batch_size的批次

validation_data：测试数据

callbacks：设置回调函数

预测

model.predict()

机器学习知识基础

梯度下降

emmmmm，挺常见的懒得说了

线性回归

连续的值

逻辑回归

给出‘是’或‘否’

sigmoid激活函数

损失函数：交叉熵（binary_crossentropy）

多回归（多分类问题）

softmax激活函数

输出概率和为1

多分类损失函数

调用：tf.keras.losses.

sparse_categorical_crossentropy：连续的编码，n个东西分别编为0~(n-1)

categorical_crossentropy：读热编码

顺序编码转换为读热编码

tf.keras.utils.to_categorical()

学习速率

就是找下一个参数的步长

优化器

调用：tf.keras.optimizes.

选择下一个参数的办法，常见的有最小二乘法

网络容量

与网络中的可训练参数成正比

网路容量越大训练速度、难度越大；越容易产生过拟合。

超参数

搭建神经网络的过程中需要我们自己选择的参数

模型优化

提高拟合能力

提高网络容量，

如果单纯增加神经元的个数效果不是很好

提高层可大大提高网络的拟合能力

抑制过拟合

Dropout：减少神经元的共性关系

参数选择原则

首先开发一个过拟合的模型：

1. 添加更多的层
2. 让每一层变得更大
3. 训练更多的轮次

然后抑制过拟合：

1. dropout
2. 正则化
3. 图像增强
4. 增加训练数据（最好的办法）

再次，调节超参数：

• 学习速率
• 隐藏层单元数
• 训练轮次

赏

谢谢你请我吃糖果

支付宝

微信

• 本文作者： Doted Wood
• 本文链接： http://example.com/2022/01/17/tensorflow/tensorflow-2-0学习笔记1/
• 版权声明： 版权归博主所有，转载请说明来源