Python 如何使用Tensorflow逐步创建序列模型

当模型有朴素的层堆栈时，可以使用顺序模型。在这个堆栈中，每个层都恰好有一个输入张量和一个输出张量。当模型有多个输入或多个输出、层需要共享、层具有多个输入或多个输出或需要非线性结构时，顺序模型就不适用了。

TensorFlow是由谷歌提供的机器学习框架。它是与Python一起使用的开源框架，用于实现算法、深度学习应用等等。它被用于研究和生产目的。它具有优化技术，可以快速执行复杂的数学运算。

这是因为它使用NumPy和多维数组。这些多维数组也称为“张量”。该框架支持使用深度神经网络。它具有高度可扩展性，并带有许多流行数据集。它使用GPU计算，并自动管理资源。它配备了多种机器学习库，并且得到了良好的支持和文档。该框架具有运行深度神经网络模型、训练它们并创建预测各自数据集相关特征的应用程序的能力。

可以使用以下代码在Windows上安装“tensorflow”包 –

pip install tensorflow

Tensor是TensorFlow中使用的数据结构。它有助于在流程图中连接边缘。这个流程图称为“数据流图”。张量仅是多维数组或列表。它们可以使用三个主要属性来识别

• Rank – 它告诉张量的维数。它可以被理解为张量的阶或在张量中定义的维数的数量。

• Type – 它告诉张量元素关联的数据类型。它可以是一维、二维或n维张量。

• Shape – 它是行和列的数量的总和。

Keras在希腊语中的意思是“角”。Keras是作为项目ONEIROS（开放式神经电子智能机器人操作系统）研究的一部分开发的。 Keras是一个用Python编写的深度学习API。它是一个高级API，具有有助于解决机器学习问题的生产性界面。它运行在Tensorflow框架的顶部。它建立起来以帮助快速实验。它提供了必要的抽象和构建块，这些是开发和封装机器学习解决方案所必需的。

Keras已经存在于Tensorflow包中。可以使用以下代码访问它。

import tensorflow
from tensorflow import keras

我们使用Google Colaboratory来运行下面的代码。Google Colab或Colaboratory可在浏览器上运行Python代码，不需要配置即可免费访问GPU（图形处理单元）。 Colaboratory是建立在Jupyter笔记本上的。

让我们看一个使用Tensorflow创建顺序模型的示例，包括Keras –

阅读更多：Python 教程

示例

print("正在创建顺序模型")
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))
print("已向模型添加密集层")

代码来源 – https://www.tensorflow.org/guide/keras/sequential_model

输出

正在创建顺序模型
已向模型添加Dense层

说明

• 这是使用Python在Keras中创建顺序模型并添加层的另一种方法。

• 一个变量被赋予‘sequential’方法的调用。

• 除此变量之外，还使用‘add’方法为模型生成层。

• 一旦层被添加，数据将在控制台上显示。