【深度学习笔记（十五）】之tensorflow2简化构建网络模型，训练以及测试过程

Bertha 。 2023-10-09 13:21 26阅读 0赞

### 本文章由公号【开发小鸽】发布！欢迎关注！！！ ###

**老规矩–妹妹镇楼：**

![20200721223424816.JPG][]

### 一． Keras Sequential ###

简化tensorflow2的网络搭建与训练过程，用Sequential API将网络的各个层按照顺序叠加起来，只需要提供包含各个层的列表，Keras就可将它们自动首尾相连，并返回模型。

model = tf.keras.models.Sequential([
    	tf.keras.layers.Flatten(),
    	tf.keras.layers.Dense(100, activation=tf.nn.relu),
    	tf.keras.layers.Dense(10),
    	tf.keras.layers.Softmax()
    ])

### 二． Keras 的 Functional API ###

为了构建更复杂的模型，使用Functional API，将层作为可调用的对象返回张量，并将输入向量和输出向量提供给 tf.keras.Model 的 inputs 和 outputs 参数。即按照网络的顺序调用各个层，最后将输入和输出放到tf.keras.Model参数中。

inputs = tf.keras.Input(shape=(28, 28, 1))
    x = tf.keras.layers.Flatten()(inputs)
    x = tf.keras.layers.Dense(units=100, activation=tf.nn.relu)(x)
    x = tf.keras.layers.Dense(units=10)(x)
    outputs = tf.keras.layers.Softmax()(x)
    model = tf.keras.Model(inputs=inputs, outputs=outputs)

### 三． compile 配置训练过程 ###

按照上面将网络模型配置好以后，可以通过tf.keras.Model 的 compile方法配置训练过程，即设置训练优化器，计算损失函数以及评估指标。

tf.keras.Model.compile 接受 3 个重要的参数:

1.  optimizer : 优化器， 从 tf.keras.optimizers中选择
2.  loss : 损失函数， 从 tf.keras.losses中选择
3.  metrics: 评估指标，从 tf.keras,metrics中选择

model.compile(
    	optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
    
    	loss=tf.keras.losses.sparse_categorical_crossentropy,
    	metrics=[tf.keras.metrics.sparse_categorical_accuracy]
    )

### 四． fit方法开始训练 ###

tf.keras.Model.fit 方法开始训练模型，该方法接受5个参数：

1.  x： 训练数据
2.  y： 训练数据标签
3.  epochs: 迭代次数
4.  batch\_size : 每一批的数据量
5.  validation\_data: 验证数据，在训练过程中监控模型的性能

model.fit(data_loader.train_data, data_loader.train_label,
    epochs=num_epochs, batch_size=batch_size)

### 五． evaluate 评估训练效果 ###

训练完后，用测试数据和测试标签对模型的性能进行测试，只需两个参数：

1.  测试数据
2.  测试数据标签

model.evaluate(data_loader.test_data, data_loader.test_label)

[20200721223424816.JPG]: https://img-blog.csdnimg.cn/20200721223424816.JPG