一、總綱（一般按照下面6步搭建）

• import——導入相關模塊

• train,test——指定訓練集與測試集

• model = tf.keras.models.Sequential——在Sequential搭建神經網絡，描述每層網絡

• model.compile——配置訓練方法，優化器，損失函數，評測指標

• model.fit——執行訓練過程，告知訓練集與測試集，設置batch，迭達多少次數據集

• model.summary——用summary打印出網絡的結構和參數統計

二、六步法詳解

1、model = tf.keras.models.Squential([網絡結構])#描述各層網絡

網絡結構舉例：

拉直層：tf.keras.layers.Flatten() ##不含計算，將輸入特征拉直變成一維數組

全連接層：tf.keras.layers.Dense(神經元個數,activation="激活函數", kernel_regularizer=哪種正則化)

activation(激活函數)可選：relu、softmax、sigmoid、tanh

kernel_regularizer(正則化)可選：tf.keras.regularizers.l1()、tf.keras.regularizers.l2()

卷積層：tf.keras.layers.Conv2D(filters =?卷積核個數,?kernel_size =?卷積核尺寸，strides =?卷積步長,?padding = "valid" or "same")

LSTM層：tf.keras.layers.LSTM()

2、model.compile(optimizer =?優化器, loss =?損失函數,?metrics = ["準確率"])

Optimizer可選：（下面的后者可以使用超參數，初學建議直接用前面的）
'sgd' or tf.keras.optimizers.SGD(lr=學習率, momentum=動量參數)
'adagrad' or tf.keras.optimizers.Adagrad(lr=學習率)
'adadelta' or tf.keras.optimizers.Adadelta(lr=學習率, momentum=動量參數)
'adam' or tf.keras.optimizers.Adam(lr=學習率, beta_1=0.9, beta_2=0.99)

loss可選：（均方誤差與交叉熵）

'mse' or tf.keras.losses.MeanSquaresError()
'sparse_categorical_crossentropy' or
tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

Metrics可選：（告知網絡評測指標）
'accuracy':y_和y都是數值
'categorical_accuracy':y_和y都是獨熱碼(概率分布)
'sparse_categorical_accuracy':y_是數值，y是獨熱碼(概率分布)

3、model.fit(訓練集的輸入特征,訓練集的標簽,

batch_size=,epochs=,

validation_data=(測試集輸入特征,測試集的標簽),

validation_split=從訓練集劃分多少比例給測試集,

validation_freq=多少次epoch測試一次)

4、model.summary()打印出網絡結構和參數統計

三、案例（鳶尾花分類用六步法實現）

import tensorflow as tf import tensorflow.python.keras as keras import numpy as np; from sklearn import datasets ##加載訓練數據集x_train = datasets.load_iris().data y_train = datasets.load_iris().targetnp.random.seed(116) np.random.shuffle(x_train) np.random.seed(116) np.random.shuffle(y_train) tf.random.set_seed(116)###設置全連接層，設置激活函數，設置正則化函數model = keras.models.Sequential([keras.layers.Dense(3, activation='softmax', kernel_regularizer=keras.regularizers.l2()) ]) ###設置學習率與優化器，設置交叉熵loss函數，設置評測標準 model.compile(optimizer='SGD',loss=keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy']) ###設置訓練集，batch_size的數值盡量設為2的n次方 validation_split是劃分多少作為測試，validation_freq是每20次評測一下 model.fit(x_train, y_train, batch_size=32, epochs=500,validation_split=0.2,validation_freq=20) model.summary()

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习(七)——tf.keras搭建神经网络固定模式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。