Tensorflow模型建立与训练

Tensorflow快速搭建动态模型

模型的构建：tf.keras.Model和tf.keras.layers

模型的损失函数：tf.keras.losses

模型的优化器：tf.keras.optimizer

模型的评估：tf.keras.metrics

 

模型(Model)与层(Layer)

在tensorflow中，推荐使用keras(tf.keras)构建模型。

keras有两个重要的概念：模型(Model)和层(Layer)。层将各种计算流程和变量进行了封装(例如基本的全连接层，CNN的卷积层、池化层等)，而模型则将各种层进行组织和连接，并封装成一个整体，描述了如何将输入数据通过各种层以及运算而得到输出。在需要模型调用的时候，使用y_pred=model(X),的形式即可。Keras在tf.keras.layers下内置了深度学习中大量常用的预定义层，同时也允许我们自定义层。

通过模型类的方式编写如下代码：

# y_pred = a*X +b

#y_pred = w1*X1 + w2*X2 + w3*X3 + b

import tensorflow as tf
X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[10.0], [20.0]])

class Linear(tf.keras.Model):
    def __init__(self):
        super().__init__()

        # tf.keras.layers.Dense全连接层
        self.dense = tf.keras.layers.Dense(
            units=1,#一个神经元
            activation=None,#没有**函数
            kernel_initializer=tf.zeros_initializer(),#权重系统初始化为0,即 [w1,w2,w3]=[0,0,0]
            bias_initializer=tf.zeros_initializer()#偏执b初始化维0，即bias =0
        )

    def call(self, input):
        output = self.dense(input)#将输入的数据作为dense的输入参数
        return output#返回经过dense模型计算之后的数据

# 以下代码结构与前节类似
model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)  #如何对权重系数 & 偏执做梯度下降
for i in range(100):   #100 epoch
    with tf.GradientTape() as tape:
        y_pred = model(X)      # 调用模型 y_pred = model(X) 而不是显式写出 y_pred = a * X + b
        loss = tf.reduce_mean(tf.square(y_pred - y))
    grads = tape.gradient(loss, model.variables)    # 使用 model.variables 这一属性直接获得模型中的所有变量,[w1,w2,w3,b]
    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))
print(model.variables)

 

输出：

[<tf.Variable 'linear_1/dense_1/kernel:0' shape=(3, 1) dtype=float32, numpy=
array([[0.40784496],
       [1.191065  ],
       [1.9742855 ]], dtype=float32)>, <tf.Variable 'linear_1/dense_1/bias:0' shape=(1,) dtype=float32, numpy=array([0.78322077], dtype=float32)>]

 

 

 

*****************************************************

tf.keras.layers.Dense(

inputs=64, # 输入该网络层的数据

units=10, # 输出的维度大小

activation=None, # 选择使用的（**函数）

use_bias=True, # 是否使用（偏置项）

kernel_initializer=None, # 卷积核的初始化器

bias_initializer=tf.zeros_initializer(), # 偏置项的初始化器

kernel_regularizer=None, # 卷积核的正则化

activaty_regularizer=None, # 偏置项的正则化

kernel_constraint=None, # 对主权重矩阵进行约束

bias_constraint=None, # 对偏置向量进行约束

trainable=True, # 可以设置为不可训练，（冻结）网络层

name=None, # 层的名字

reuse=None # 是否重复使用参数

)

*****************************************************