TensorflowAPI:tf.keras搭建网络八股，改进鸢尾花分类

ゞ浴缸里的玫瑰 2021-09-25 13:56 273阅读 0赞

> keras介绍  
> tf.keras是tensorflow2引入的高封装度的框架，可以用于快速搭建神经网络模型，keras为支持快速实验而生，能够把想法迅速转换为结果，是深度学习框架之中最终易上手的一个，它提供了一致而简洁的API，能够极大地减少一般应用下的工作量，提高代码地封装程度和复用性。

**一.用tf.keras创建网络的步骤**

1.import 引入相应的python库

2.train，test告知要喂入的网络的训练集和测试集是什么，指定训练集的输入特征，x\_train和训练集的标签y\_train,以及测试集的输入特征和测试集的标签。

3.model = tf,keras,models,Seqential 在Seqential中搭建网络结构，逐层表述每层网络，走一边前向传播。

4.model.compile 在complie()中配置训练方法。告知训练器选择哪种优化器，选择哪个损失函数，哪种评测指标

5。model.fit  在fit中执行训练过程，告知训练集和测试集的训练特征和标签，告知每个batch是多少，要迭代多少次数据集。

6.model.summary 用summary()打印出网络的结构和参数统计

**二.改进鸢尾花分类**

相关函数说明

**1.tf.keras.models.Sequential()**

Sequential函数是一个容器，描述了神经网络的网络结构，在Sequential函数的输入参数中描述从输入层到输出层的网络结构。

**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”)  
其中：  
**activation激活函数**（字符串给出）可选relu、softmax、sigmoid、tanh等  
**kernel\_regularizer正则化**可选tf.keras.regularizers.l1()、  
                                        tf.keras.regularizers.l2()  
**2.Model.compile()**

Model.compile( optimizer = 优化器,  
                                loss = 损失函数,  
                                metrics = \[“准确率”\])  
**Compile**用于配置神经网络的训练方法，告知训练时使用的优化器、损失函数和准确率评测标准。  
其中：  
optimizer可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置**学习率、动量和超参数。**

**可选项包括：**  
‘sgd’or tf.optimizers.SGD( lr=学习率,  
                                                decay=学习率衰减率,  
                                                momentum=动量参数)  
‘adagrad’or tf.keras.optimizers.Adagrad(lr=学习率,  
                                                                        decay=学习率衰减率)  
‘adadelta’or tf.keras.optimizers.Adadelta(lr=学习率,  
                                                                        decay=学习率衰减率)  
‘adam’or tf.keras.optimizers.Adam (lr=学习率,  
                                                                decay=学习率衰减率)

**Loss可以是字符串形式给出的损失函数的名字，也可以是函数形式。**  
可选项包括：  
‘mse’or tf.keras.losses.MeanSquaredError()  
‘sparse\_categorical\_crossentropy  
or tf.keras.losses.SparseCategoricalCrossentropy(from\_logits=False)  
损失函数常需要经过softmax等函数将输出转化为概率分布的形式。**from\_logits**则用来标注该损失函数是否需要转换为概率的形式，**取False时表示转化为概率分布，取True时表示没有转化为概率分布，直接输出。**

**4.Metrics标注网络评测指标。**  
可选项包括：  
‘accuracy’：y\_和y都是数值，

如y\_=\[1\] y=\[1\]。  
‘categorical\_accuracy’：y\_和y都是以独热码和概率分布表示。  
        如y\_=\[0, 1, 0\], y=\[0.256, 0.695, 0.048\]。  
‘sparse\_ categorical\_accuracy’：y\_是以数值形式给出，y是以独热码形式给出。  
        如y\_=\[1\],y=\[0.256, 0.695, 0.048\]。

**5.model.fit()**

model.fit(训练集的输入特征， 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)，  
                validataion\_split = 从测试集划分多少比例给训练集，  
                validation\_freq = 测试的epoch间隔次数)  
fit函数用于执行训练过程

**6.model.summary()**

summary函数用于打印网络结构和参数统计

![20210818224716310.png][]

上图是model.summary()对鸢尾花分类网络的网络结构和参数统计，对于一个输入为4输出为3的全连接网络，共有15个参数。

**代码清单：**

# 使用tf.keras改进鸢尾花数据集的预测
    # 1.import
    import tensorflow as tf
    from sklearn import datasets
    import numpy as np
    from tensorflow.keras.layers import Dense
    from tensorflow.keras import Model
    
    # 2.train test
    x_train = datasets.load_iris().data
    y_train = datasets.load_iris().target
    np.random.seed(116)  # 使用相同的seed，保证输入特征和标签一一对应
    np.random.shuffle(x_train)	#shuffle-洗牌
    np.random.seed(116)
    np.random.shuffle(y_train)
    
    
    # 3.model.Sequential()
    # model = tf.keras.models.Sequential([
    #     tf.keras.layers.Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2())
    # ])
    # class Mymodel
    class IrisModel(Model):#子类IrisModel继承父类Model
        # 定义网络结构块
        def __init__(self):# 接收父类的属性信息
            super(IrisModel,self).__init__()# super将子类父类关联，并使子类调用父类的方法
            self.d1 = Dense(3,activation='softmax',kernel_regularizer=tf.keras.regularizers.l2())
        # 调用网络结构块，这里实现前向传播
        def call(self,x):
            y = self.d1(x)
            return y
    #实例化model
    model = IrisModel()
    # 4.complie
    model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.1),
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
                  metrics=['sparse_categorical_accuracy']
                  )
    # 5.model.fit
    model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)
    
    # 6.summary
    model.summary()

[20210818224716310.png]: /images/20210923/9ac5472830784d45ab71eed0fd1eb760.png