TensorFlow2 Part3：动态模型建立与训练

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 [1] 。

在 TensorFlow 中，推荐使用 Keras（ tf.keras ）构建模型。

1. Kera有两个非常重要的概念，模型（Model）和层（Layer）。

• 层将各种计算流程和变量进行了封装
• 模型将各种层进行组织和连接，并封装成一个整体

Keras 模型以类的形式呈现，我们可以通过继承 tf.keras.Model 这个python类来定义自己的模型。

在继承类中，我们需要重写__init__(构造函数，初始化）和 call(input)（模型调用）两个方法，同时也可以根据自己的需要增加自定义的方法。

>>> import tensorflow as tf
>>> class MyModel(tf.keras.Model):

...     def __init__(self):
...             super().init
				//此处添加初始化代码（包含call方法中会用到的各种层），例如：
				// Layer1 = tf.keras.Layers.BuiltInLayer(...)
				// Layer1 = example(...)				//初始化各种层，定义好都是干啥的

...     def call(self,input):
				//此处添加模型调用的代码（处理输入并返回输出）
				//描述各种数据是如何通过各种层最后得到输出
				// x = Layer1(input)
				//output = Layer2(x)					//调用定义的层进行数据处理
...             return output							//返回结果
...
		//还可添加自定义方法

• 再次进行线性回归

>>> import tensorflow as tf
>>> x = tf.constant([[1.,2.,3.],[4.,5.,6.]])
>>> y = tf.constant([[10.],[20.]])
>
>>> class Linear(tf.keras.Model):
...     def __init__(self):
...             super().__init__()
...             self.dense = tf.keras.layers.Dense(
...             units = 1,
...             activation = None,
...             kernel_initializer=tf.zeros_initializer(),
...             bias_initializer = tf.zeros_initializer())
...     def call(self,input):
...             output = self.dense(input)
...             return output
...

>>> model = Linear()
>>> optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
>>> model = Linear()
>>> optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
for i in range(100):
    with tf.GradientTape() as tape:
        y_pred = model(X)
        loss = tf.reduce_mean(tf.square(y_pred - y))
    grads = tape.gradient(loss, model.variables)
    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))
print(model.variables)

以后还是用pycharm吧，直接在cmd中用python看得我头晕眼花。。

–2019.8.25