使用Tensorflow构建网络的方法
首先
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers
专注于输入输出的方式
input_shape = (height,width,3)#只需要给一个样本（一张图）的大小
input_data = tf.keras.Input(shape=input_shape)#构建结构输入
conv_1 = layers.Conv2D(filters=16,kernel_size=7,strides=2)(input_data)
conv_2 = layers.Conv2D(...)(conv_1)
...
...
dense_1 = layers.Flatten()(conv_n)
output_data = layers.Dense(2,activation='softmax')(dense_1)
model = tf.keras.Model(input_data,out_data)#根据输入输出，整合整个网络
model.summary()#打印网络结构
这种方法的有点在于：可以对网络层与层之间传输的数据（张量形式）做自定义变化，上面的conv_1等都是不同层之间的数据。
专注于神经网络层的拼接
model = tf.keras.models.Sequential()
model.add(layers.Conv2D(filters=16,kernel_size=7,strides=2))
model.add(...)
model.summary()#打印网络结构
#或者直接：
model = tf.keras.models.Sequential([layers.Conv2D(filters=16,kernel_size=7,strides=2),...])
model.summary()#打印网络结构
简单地进行神经网络训练例子
batch_size=16
epochs=200
model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'])#使用交叉熵损失函数、adam优化器，评价标准为准确度
history = model.fit(inputData,outputData,#自己的输入输出数据集
batch_size=batch_size,#一批更新的样本数
epochs=epochs,#迭代次数
verbose=2,#打印每一代训练后的简单信息
validation_split = 0.05, #从数据集中分出5%的样本作为验证集
validation_freq = 2,#迭代两次训练一次
shuffle=True)#打乱数据集（我感觉没打乱）
model.save('.\model_1.h5')#保存模型
model = tf.keras.models.load_model('.\model_1.h5')#加载模型
model.evaluate(mouseDataTest,mouseOutDataTest）#对模型进行数据测试
Original: https://blog.csdn.net/qq_42556102/article/details/123555227
Author: qq_42556102
Title: 使用Tensorflow构建网络的方法
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/509115/
转载文章受原作者版权保护。转载请注明原作者出处！