tf2学习笔记学习笔记
chapter 2 的主要内容的主要内容
classification example
regression example
整理数据:train,test,valid
model = keras.models.Sequential()
model.compile(loss=, optimizer=, metrics=)
model.fit(x_train,y_train,validation_data = (x_valid_scaled,y_valid),epochs = 100,callbacks = callbacks)
model.evaluate(x_test,y_test)
过拟合的解决办法
dropout
梯度消失的解决办法
BatchNormalization
activation=“selu”
架模型的方式
方式一：model = keras.models.Sequential([keras.layers.Dense(30,input_shape,activation)])
方式二：model = keras.models.Sequential();model.add(keras.layers.Dense(30,input_shape,activation))
方式三：函数式API
input = keras.layers.Input(shape = x_train.shape[1:])
hidden1 = keras.layers.Dense(30,activation=“relu”)(input)
hidden2 = keras.layers.Dense(30,activation=“relu”)(hidden1)
concat = keras.layers.concatenate([input,hidden2])
output = keras.layers.Dense(1)(concat)
model = keras.models.Model(inputs=[input],outputs = [output]) # 固化model
方式四：类
class WideDeepModel(keras.models.Model):
def init(self):
super(WideDeepModel, self).init()
“”“定义模型的层次”””
self.hidden1_layer = keras.layers.Dense(30, activation=“relu”)
self.hidden2_layer = keras.layers.Dense(30, activation=“relu”)
self.ouput_layer = keras.layers.Dense(1)
def call(self，input):
“”“完成模型的正向计算”””
hidden1 = self.hidden1_layer(input)
hidden2 = self.hidden2_layer(hidden1)
concat = keras.layers.concatenate([input, hidden2])
output = self.output_layer(concat)
return output
model = keras.models.Sequential([WideDeepModel()])
model.build(input_shape=(None,8))
超参数的搜索
网格搜索
转为sklearn模型，使用sklearn中的randomsearchCV进行搜索
callbacks的使用:
Tensorboard # 需要一个文件夹
如何查看tensorboard的记录结果：在终端中输入 tensorboard –logdir = callbacks
剩余6页未读，继续阅读
资源评论
