tensorflow中model.compile()用法

optimizer：

1."sgd" 或者 tf.optimizers.SGD(lr = 学习率， decay = 学习率衰减率，momentum = 动量参数）

2."adagrad" 或者 tf.keras.optimizers.Adagrad(lr = 学习率， decay = 学习率衰减率）

3."adadelta" 或者 tf.keras.optimizers.Adadelta(lr = 学习率，decay = 学习率衰减率）

4."adam" 或者 tf.keras.optimizers.Adam(lr = 学习率， decay = 学习率衰减率）

loss：

1."mse" 或者 "mean squared error" 或者 tf.keras.losses.MeanSquaredError()

2."sparse_categorical_crossentropy" 或 tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)

Metrics：

1."accuracy" :

2.“sparse_accuracy":

3."sparse_categorical_accuracy" :

model.compile()方法用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准

model.compile(optimizer = 优化器， loss = 损失函数，metrics = ["准确率”])

其中：

optimizer可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置学习率、动量和超参数

例如：“sgd”   或者   tf.optimizers.SGD(lr = 学习率， decay = 学习率衰减率，
                                                              momentum = 动量参数）
           “adagrad"  或者  tf.keras.optimizers.Adagrad(lr = 学习率，

                                                                                   decay = 学习率衰减率）

            ”adadelta"  或者  tf.keras.optimizers.Adadelta(lr = 学习率，

                                                                                     decay = 学习率衰减率）

             “adam"  或者  tf.keras.optimizers.Adam(lr = 学习率，

                                                                            decay = 学习率衰减率）

#第一步，import
import tensorflow as tf #导入模块
from sklearn import datasets #从sklearn中导入数据集
import numpy as np #导入科学计算模块
import keras
 
#第二步，train, test
x_train = datasets.load_iris().data #导入iris数据集的输入
 
y_train = datasets.load_iris().target #导入iris数据集的标签
 
np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
 
np.random.shuffle(x_train) #使用shuffle()方法，让输入x_train乱序
 
np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
 
np.random.shuffle(y_train) #使用shuffle()方法，让输入y_train乱序
 
tf.random.set_seed(120) #让tensorflow中的种子数设置为120
 
#第三步，models.Sequential()
model = tf.keras.models.Sequential([ #使用models.Sequential()来搭建神经网络
    tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全连接层，三个神经元，激活函数为softmax,使用l2正则化
])
 
#第四步，model.compile()
model.compile(  #使用model.compile()方法来配置训练方法
    optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函数
    metrics = ['sparse_categorical_accuracy'] #标注网络评价指标
)
 
#第五步，model.fit()
model.fit(  #使用model.fit()方法来执行训练过程，
    x_train, y_train, #告知训练集的输入以及标签，
    batch_size = 32, #每一批batch的大小为32，
    epochs = 500, #迭代次数epochs为500
    validation_split = 0.2, #从测试集中划分80%给训练集
    validation_freq = 20 #测试的间隔次数为20
)
 
#第六步，model.summary()
model.summary() #打印神经网络结构，统计参数数目

————————————————
tensorflow中model.compile()用法_yunfeather的博客-CSDN博客_model.compile

tensorflow 2.X中构建模型的三种方式

tf 2.x与1.x相比，API的变化较大，构建模型的方式也有所差异。我们先直接说结论，在2.x中，tf构建模型的方式有如下三种：

1.tf.keras.Sequential
2.keras Functional API
3.keras Model Subclassing

tensorflow 2.X中构建模型的三种方式：Sequential, Functional, Subclassing_bitcarmanlee的博客-CSDN博客