tensorflow中model.compile()用法

model.compile()方法用于在配置訓練方法時，告知訓練時用的優化器、損失函數和準確率評測標準

?model.compile(optimizer =?優化器，

? ? ? ? ? ? ? ? ? ? ? ? loss =?損失函數，

? ? ? ? ? ? ? ? ? ? ? ? metrics = ["準確率”])

其中：

optimizer可以是字符串形式給出的優化器名字，也可以是函數形式，使用函數形式可以設置學習率、動量和超參數

例如：“sgd”? ?或者? ?tf.optimizers.SGD(lr =?學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學習率衰減率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? momentum =?動量參數）

? ? ? ? ? ?“adagrad"? 或者? tf.keras.optimizers.Adagrad(lr =?學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學習率衰減率）

? ? ? ? ? ? ”adadelta"? 或者? tf.keras.optimizers.Adadelta(lr =?學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay =?學習率衰減率）

? ? ? ? ? ? ?“adam"? 或者? tf.keras.optimizers.Adam(lr =?學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? decay =?學習率衰減率）

?

loss可以是字符串形式給出的損失函數的名字，也可以是函數形式

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

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

? ? ? ? ? ? ?損失函數經常需要使用softmax函數來將輸出轉化為概率分布的形式，在這里from_logits代表是否將輸出轉為概率分布的形式，為False時表示轉換為概率分布，為True時表示不轉換，直接輸出

?

Metrics標注網絡評價指標

例如：

? ? ? ? "accuracy" : y_?和 y?都是數值，如y_ = [1] y = [1]? #y_為真實值，y為預測值

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

? ? ? ? "sparse_categorical_accuracy" :y_是以數值形式給出，y是以?獨熱碼給出，如y_ = [1], y = [0.256?0.695, 0.048]

? ? ? ? ?

?

示例代碼：

#第一步，import import tensorflow as tf #導入模塊 from sklearn import datasets #從sklearn中導入數據集 import numpy as np #導入科學計算模塊 import keras#第二步，train, test x_train = datasets.load_iris().data #導入iris數據集的輸入y_train = datasets.load_iris().target #導入iris數據集的標簽np.random.seed(120) #設置隨機種子，讓每次結果都一樣，方便對照np.random.shuffle(x_train) #使用shuffle()方法，讓輸入x_train亂序np.random.seed(120) #設置隨機種子，讓每次結果都一樣，方便對照np.random.shuffle(y_train) #使用shuffle()方法，讓輸入y_train亂序tf.random.set_seed(120) #讓tensorflow中的種子數設置為120#第三步，models.Sequential() model = tf.keras.models.Sequential([ #使用models.Sequential()來搭建神經網絡tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全連接層，三個神經元，激活函數為softmax,使用l2正則化 ])#第四步，model.compile() model.compile( #使用model.compile()方法來配置訓練方法optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD優化器，學習率為0.1loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置損失函數metrics = ['sparse_categorical_accuracy'] #標注網絡評價指標 )#第五步，model.fit() model.fit( #使用model.fit()方法來執行訓練過程，x_train, y_train, #告知訓練集的輸入以及標簽，batch_size = 32, #每一批batch的大小為32，epochs = 500, #迭代次數epochs為500validation_split = 0.2, #從測試集中劃分80%給訓練集validation_freq = 20 #測試的間隔次數為20 )#第六步，model.summary() model.summary() #打印神經網絡結構，統計參數數目

?

?

總結

以上是生活随笔為你收集整理的tensorflow中model.compile()用法的全部內容，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。