tensorflow中model.compile()用法

model.compile()方法用于在配置訓(xùn)練方法時(shí)，告知訓(xùn)練時(shí)用的優(yōu)化器、損失函數(shù)和準(zhǔn)確率評(píng)測(cè)標(biāo)準(zhǔn)

?model.compile(optimizer =?優(yōu)化器，

? ? ? ? ? ? ? ? ? ? ? ? loss =?損失函數(shù)，

? ? ? ? ? ? ? ? ? ? ? ? metrics = ["準(zhǔn)確率”])

其中：

optimizer可以是字符串形式給出的優(yōu)化器名字，也可以是函數(shù)形式，使用函數(shù)形式可以設(shè)置學(xué)習(xí)率、動(dòng)量和超參數(shù)

例如：“sgd”? ?或者? ?tf.optimizers.SGD(lr =?學(xué)習(xí)率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學(xué)習(xí)率衰減率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? momentum =?動(dòng)量參數(shù)）

? ? ? ? ? ?“adagrad"? 或者? tf.keras.optimizers.Adagrad(lr =?學(xué)習(xí)率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學(xué)習(xí)率衰減率）

? ? ? ? ? ? ”adadelta"? 或者? tf.keras.optimizers.Adadelta(lr =?學(xué)習(xí)率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學(xué)習(xí)率衰減率）

? ? ? ? ? ? ?“adam"? 或者? tf.keras.optimizers.Adam(lr =?學(xué)習(xí)率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? decay =?學(xué)習(xí)率衰減率）

?

loss可以是字符串形式給出的損失函數(shù)的名字，也可以是函數(shù)形式

例如：”mse"?或者 tf.keras.losses.MeanSquaredError()

? ? ? ? ? ?"sparse_categorical_crossentropy"? 或者? tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)

? ? ? ? ? ? ?損失函數(shù)經(jīng)常需要使用softmax函數(shù)來(lái)將輸出轉(zhuǎn)化為概率分布的形式，在這里from_logits代表是否將輸出轉(zhuǎn)為概率分布的形式，為False時(shí)表示轉(zhuǎn)換為概率分布，為T(mén)rue時(shí)表示不轉(zhuǎn)換，直接輸出

?

Metrics標(biāo)注網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

例如：

? ? ? ? "accuracy" : y_?和 y?都是數(shù)值，如y_ = [1] y = [1]? #y_為真實(shí)值，y為預(yù)測(cè)值

? ? ? ? “sparse_accuracy":y_和y都是以獨(dú)熱碼?和概率分布表示，如y_ = [0, 1, 0], y = [0.256, 0.695, 0.048]

? ? ? ? "sparse_categorical_accuracy" :y_是以數(shù)值形式給出，y是以?獨(dú)熱碼給出，如y_ = [1], y = [0.256?0.695, 0.048]

? ? ? ? ?

?

示例代碼：

#第一步，import import tensorflow as tf #導(dǎo)入模塊 from sklearn import datasets #從sklearn中導(dǎo)入數(shù)據(jù)集 import numpy as np #導(dǎo)入科學(xué)計(jì)算模塊 import keras#第二步，train, test x_train = datasets.load_iris().data #導(dǎo)入iris數(shù)據(jù)集的輸入y_train = datasets.load_iris().target #導(dǎo)入iris數(shù)據(jù)集的標(biāo)簽np.random.seed(120) #設(shè)置隨機(jī)種子，讓每次結(jié)果都一樣，方便對(duì)照np.random.shuffle(x_train) #使用shuffle()方法，讓輸入x_train亂序np.random.seed(120) #設(shè)置隨機(jī)種子，讓每次結(jié)果都一樣，方便對(duì)照np.random.shuffle(y_train) #使用shuffle()方法，讓輸入y_train亂序tf.random.set_seed(120) #讓tensorflow中的種子數(shù)設(shè)置為120#第三步，models.Sequential() model = tf.keras.models.Sequential([ #使用models.Sequential()來(lái)搭建神經(jīng)網(wǎng)絡(luò)tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全連接層，三個(gè)神經(jīng)元，激活函數(shù)為softmax,使用l2正則化 ])#第四步，model.compile() model.compile( #使用model.compile()方法來(lái)配置訓(xùn)練方法optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD優(yōu)化器，學(xué)習(xí)率為0.1loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置損失函數(shù)metrics = ['sparse_categorical_accuracy'] #標(biāo)注網(wǎng)絡(luò)評(píng)價(jià)指標(biāo) )#第五步，model.fit() model.fit( #使用model.fit()方法來(lái)執(zhí)行訓(xùn)練過(guò)程，x_train, y_train, #告知訓(xùn)練集的輸入以及標(biāo)簽，batch_size = 32, #每一批batch的大小為32，epochs = 500, #迭代次數(shù)epochs為500validation_split = 0.2, #從測(cè)試集中劃分80%給訓(xùn)練集validation_freq = 20 #測(cè)試的間隔次數(shù)為20 )#第六步，model.summary() model.summary() #打印神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，統(tǒng)計(jì)參數(shù)數(shù)目

?

?

總結(jié)

以上是生活随笔為你收集整理的tensorflow中model.compile()用法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。