tensorflow中model.fit()用法

冷不防 2023-02-14 03:15 5阅读 0赞

# tensorflow中model.fit()用法 #

> **model.fit()方法用于执行训练过程**

>  model.fit( 训练集的输入特征，
> 
>                  训练集的标签，  
> 
>                  batch\_size,  \#每一个batch的大小
> 
>                  epochs,   \#迭代次数
> 
>                  validation\_data = (测试集的输入特征，测试集的标签），
> 
>                  validation\_split = 从测试集中划分多少比例给训练集，
> 
>                  validation\_freq = 测试的epoch间隔数）

# 实例代码 ： #

>     #第一步，import
>     import tensorflow as tf #导入模块
>     from sklearn import datasets #从sklearn中导入数据集
>     import numpy as np #导入科学计算模块
>     import keras
>     
>     #第二步，train, test
>     x_train = datasets.load_iris().data #导入iris数据集的输入
>     
>     y_train = datasets.load_iris().target #导入iris数据集的标签
>     
>     np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
>     
>     np.random.shuffle(x_train) #使用shuffle()方法，让输入x_train乱序
>     
>     np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
>     
>     np.random.shuffle(y_train) #使用shuffle()方法，让输入y_train乱序
>     
>     tf.random.set_seed(120) #让tensorflow中的种子数设置为120
>     
>     #第三步，models.Sequential()
>     model = tf.keras.models.Sequential([ #使用models.Sequential()来搭建神经网络
>         tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全连接层，三个神经元，激活函数为softmax,使用l2正则化
>     ])
>     
>     #第四步，model.compile()
>     model.compile(  #使用model.compile()方法来配置训练方法
>         optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1
>         loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函数
>         metrics = ['sparse_categorical_accuracy'] #标注网络评价指标
>     )
>     
>     #第五步，model.fit()
>     model.fit(  #使用model.fit()方法来执行训练过程，
>         x_train, y_train, #告知训练集的输入以及标签，
>         batch_size = 32, #每一批batch的大小为32，
>         epochs = 500, #迭代次数epochs为500
>         validation_split = 0.2, #从测试集中划分80%给训练集
>         validation_freq = 20 #测试的间隔次数为20
>     )
>     
>     #第六步，model.summary()
>     model.summary() #打印神经网络结构，统计参数数目
> 
> ## 结果为： ##
> 
> E:\\Anaconda3\\envs\\TF2\\python.exe C:/Users/Administrator/PycharmProjects/untitled8/keras实现iris数据集.py  
> Using TensorFlow backend.  
> Train on 120 samples, validate on 30 samples  
> Epoch 1/500
> 
>  32/120 \[=======>......................\] - ETA: 2s - loss: 5.2685 - sparse\_categorical\_accuracy: 0.4375  
> 120/120 \[==============================\] - 1s 8ms/sample - loss: 2.7204 - sparse\_categorical\_accuracy: 0.4833  
> Epoch 2/500
> 
>  32/120 \[=======>......................\] - ETA: 0s - loss: 0.8763 - sparse\_categorical\_accuracy: 0.6875  
> 120/120 \[==============================\] - 0s 67us/sample - loss: 0.8910 - sparse\_categorical\_accuracy: 0.6500  
> Epoch 3/500
> 
> 省略.....
> 
>  32/120 \[=======>......................\] - ETA: 0s - loss: 0.3444 - sparse\_categorical\_accuracy: 0.9375  
> 120/120 \[==============================\] - 0s 67us/sample - loss: 0.3559 - sparse\_categorical\_accuracy: 0.9333  
> Epoch 500/500
> 
>  32/120 \[=======>......................\] - ETA: 0s - loss: 0.3086 - sparse\_categorical\_accuracy: 0.9688  
> 120/120 \[==============================\] - 0s 150us/sample - loss: 0.3302 - sparse\_categorical\_accuracy: 0.9833 - val\_loss: 0.3695 - val\_sparse\_categorical\_accuracy: 0.9333  
> Model: "sequential"  
> \_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_  
> Layer (type)                 Output Shape              Param \#     
> =================================================================  
> dense (Dense)                multiple                  15          
> =================================================================  
> Total params: 15  
> Trainable params: 15  
> Non-trainable params: 0  
> \_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_
> 
> Process finished with exit code 0  
>