【tensorflow】tf.keras + 神经网络类class 6 步搭建神经网络

tf.keras + Sequential() 可以搭建出上层输入就是下层输出的顺序网络结构，但是无法写出一些带有跳连的非顺序网络结构。

这时候可以选择用类 class 搭建神经网络结构，即使用 class 类封装一个网络结构：

 

...

class MyModel(Model):
　　def __init__(self):
　　　　super(MyModel, self).__init__()
　　　　定义网络结构块
　　def call(self, x):
　　　　调用网络结构块，实现前向传播
　　　　return y

model = MyModel()

...

 

可以认为 __init__() 函数准备出了搭建网络所需的各种积木，call() 函数调用积木完成了神经网络的搭建，即实现前向传播，从输入x到输出y。

 

六步：

1. import 相关模块。
2. 指定要喂入网络的训练集和测试集。
3. class MyModel(Model)   model = MyModel()
4. 在 compile() 中配置训练方法。
5. 在 fit() 中执行训练过程。
6. 用 summary() 打印出网络的结构和参数统计。

 

代码：

import tensorflow as tf from  tensorflow.keras.layers import Dense from tensorflow.keras import Model from sklearn import datasets import numpy as np # 读取训练用的输入特征和标签
x_train = datasets.load_iris().data y_train = datasets.load_iris().target # 数据集乱序
np.random.seed(116) np.random.shuffle(x_train) np.random.seed(116) np.random.shuffle(y_train) tf.random.set_seed(116) # 定义神经网络类
class IrisModel(Model): def __init__(self): super(IrisModel, self).__init__() # 定义第一层网络结构：含有三个神经元的全连接层
        self.d1 = Dense(3, activation="softmax", kernel_regularizer=tf.keras.regularizers.l2()) def call(self, x): # 调用网络结构，实现前向传播
        y = self.d1(x) return y # 声明神经网络模型对象
model = IrisModel() # 配置训练方法
model.compile(optimizer=tf.optimizers.SGD(lr=0.1), loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=[tf.keras.metrics.sparse_categorical_accuracy]) # 执行训练过程
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20) # 打印网络的结构和参数
model.summary()