TensorFlow 中如何使用 tf.keras.Sequential 构建模型？

推荐答案

// www.javascriptcn.com code example
import tensorflow as tf
from tensorflow.keras import layers

# 使用 tf.keras.Sequential 构建模型
model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 打印模型摘要
model.summary()

本题详细解读

1. 使用 tf.keras.Sequential 构建模型

tf.keras.Sequential 是 TensorFlow 中用于构建顺序模型的高级 API。顺序模型是指模型中的每一层都只有一个输入和一个输出，并且层与层之间是线性堆叠的。

在代码中，我们通过传递一个层列表来构建模型：

model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

• layers.Dense(64, activation='relu', input_shape=(784,))：这是模型的第一层，一个全连接层（Dense Layer），包含 64 个神经元，激活函数为 ReLU。input_shape=(784,) 指定了输入数据的形状，这里假设输入是一个 784 维的向量（例如，28x28 的图像展平后的向量）。
• layers.Dense(64, activation='relu')：这是模型的第二层，同样是一个全连接层，包含 64 个神经元，激活函数为 ReLU。
• layers.Dense(10, activation='softmax')：这是模型的输出层，包含 10 个神经元，激活函数为 softmax，通常用于多分类问题。

2. 编译模型

在模型构建完成后，需要使用 compile 方法来配置模型的学习过程：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

• optimizer='adam'：指定优化器为 Adam，这是一种常用的自适应学习率优化算法。
• loss='sparse_categorical_crossentropy'：指定损失函数为稀疏分类交叉熵，适用于标签为整数的情况。
• metrics=['accuracy']：指定评估指标为准确率。

3. 打印模型摘要

最后，使用 model.summary() 打印模型的摘要信息，包括每一层的名称、输出形状和参数数量等。

model.summary()

输出示例：

// www.javascriptcn.com code example
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 64)                50240     
_________________________________________________________________
dense_1 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_2 (Dense)              (None, 10)                650       
=================================================================
Total params: 55,050
Trainable params: 55,050
Non-trainable params: 0
_________________________________________________________________

通过这种方式，你可以快速构建和配置一个简单的神经网络模型。