上章总结后...
Sequential可以搭建上层输出就是下层输出的网络结构，但无法写出一些带有跳连的网络结构，
因此使用类class搭建网络结构
class MyModel(Model):
def __init__(self):
super(MyModel,self).__init__()
定义网络结构块
def call(self，x):
调用网络结构块，实现前向传播
return y
model =MyModel()
比如鸢尾花为三个神经元的全连接层神经网络
class IrisModel(Model):
def __init__(self):
super(IrisModel,self).__init__()
self.d1=Dense(3,activarion="softmax",kernel_regularizer=tf.keras.regularizers.l2())
def call(self，x):
y=self.d1(x)
return y
return y
model =MyModel()
完整版：
第一步
import tensorflow as tf
import numpy as np
from sklearn import datasets
from keras import Model
第二步
x_train=datasets.load_iris().data
y_train=datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)
第三步
class IrisModel(Model):
def __init(self):
super(IrisModel,self).__init__() self.d1=tf.keras.layers.Dense(3,activation="softmax",kernel_regularizer=tf.keras.regularizers.l2())
def call(self,x):
y=self.d1(x)
return y
model=IrisModel() #实例化对象
第四步
model.compile(optimizer=tf.keras.optimizers. SGD(lr=0.1),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy])
第五步
model.flt(x_train,y_train,batch_size=32,epochs=100,validation=0.2,validation_freq=20)
第六步
model.summary()
复习：
tf.keras.layers.Dense(3 #神经元个数，activation="softmax" #所选用的激活函数，kernel_regularizer=tf.keras.regularizers.l2() #所使用的正则化)
取自 中国mooc曹健教授
