人工智能实践：Tensorflow笔记--神经网络八股-：神经网络八股-课件.pptx

1、人工智能实践：Tensorflow笔记曹健北京大学软件与微电子学院神经网络搭建八股iris代码复现MNIST数据集训练MNIST数据集Fashion数据集本讲目标：使用八股搭建神经网络2用Tensorflow API：tf.keras搭建网络八股importtrain, testmodel = tf.keras.models.Spilemodel.fitmodel.summary3六步法model = tf.keras.models.Sequential ( 网络结构 )#描述各层网络网络结构举例：拉直层： tf.keras.layers.Flatten( )全连接层： tf.keras.la

2、yers.Dense(神经元个数, activation= 激活函数“ ,kernel_regularizer=哪种正则化)activation（字符串给出）可选: relu、 softmax、 sigmoid 、 tanhkernel_regularizer可选: tf.keras.regularizers.l1()、tf.keras.regularizers.l2()卷积层： tf.keras.layers.Conv2D(filters = 卷积核个数, kernel_size = 卷积核尺寸,strides = 卷积步长， padding = valid or same)LSTM层： t

3、f.keras.layers.LSTM()pile(optimizer = 优化器,loss = 损失函数metrics = “准确率” )Optimizer可选:sgd or tf.keras.optimizers.SGD (lr=学习率,momentum=动量参数)adagrad or tf.keras.optimizers.Adagrad (lr=学习率)adadelta or tf.keras.optimizers.Adadelta (lr=学习率)adam or tf.keras.optimizers.Adam (lr=学习率, beta_1=0.9, beta_2=0.999)lo

4、ss可选:mse or tf.keras.losses.MeanSquaredError()sparse_categorical_crossentropy or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)Metrics可选:accuracy ：y_和y都是数值，如y_=1y=1categorical_accuracy ：y_和y都是独热码(概率分布)，如y_=0,1,0 y=0.256,0.695,0.048sparse_categorical_accuracy ：y_是数值，y是独热码(概率分布),如y_=

5、1 y=0.256,0.695,0.048model.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),validation_split=从训练集划分多少比例给测试集，validation_freq = 多少次epoch测试一次)model.summary（）models.Spilemodel.fitmodel.summary8import源码：p8_iris_sequential.pytrain test9用Tensorflow API：tf.keras搭建网络八股importtrain

6、, testclass MyModel(Model) model=MyMpilemodel.fitmodel.summary六步法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 ymodel = MyModel()_init_( )call( )定义所需网络结构块写出前向传播class MyModel(Model)model = MyModeliris_sequential.py11importtrain testcl

7、ass MyMpilemodel.fitmodel.summary源码：p11_iris_class.py00048 238 252 252 253 1861200000 MNIST数据集：提供 6万张 28*28 像素点的09手写数字图片和标签，用于训练。提供 1万张 28*28 像素点的09手写数字图片和标签，用于测试。 导入MNIST数据集：mnist = tf.keras.datasets.mnist(x_train, y_train) , (x_test, y_test) = mnist.load_data() 作为输入特征，输入神经网络时，将数据拉伸为一维数组：tf.keras.l

8、ayers.Flatten( )plt.imshow(x_train0, cmap=gray)#绘制灰度图plt.show()print(x_train0:n , x_train0)x_train0：print(y_train0:, y_train0)y_train0：5print(x_test.shape:, x_test.shapex_test.shape： (10000, 28, 28)源码：p13_mnist_datasets.pymnist_sequential.py源码：p14_mnist_sequential.pyimporttrain testmodels.Spilemodel

9、.fitmodel.summary14mnist_class.py源码：p15_mnist_class.pyimporttrain testclass MyMpilemodel.fit15model.summary FASHION数据集：提供 6万张 28*28 像素点的衣裤等图片和标签，用于训练。提供 1万张 28*28 像素点的衣裤等图片和标签，用于测试。导入FASHION数据集：fashion = tf.keras.datasets.fashion_mnist(x_train, y_train),(x_test, y_test) = fashion.load_data()参考源码： p16_fashion_sequential.pyp16_fashion_class.py