学习日记

构建模型

model = tf.keras.Sequential([
    SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。
    Dropout(0.1),                         #防止过拟合
    SimpleRNN(100),
    Dropout(0.1),
    Dense(1)
])

Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构

Keras中，有4种类型的RNN模型，分别是：

• SimpleRNN （全连接的简单RNN）

• LSTM（长短时记忆模型）

• GRU （门控逻辑模型）

• StackedRNNCells（堆叠模型）

Dropout正则化是最简单的神经网络正则化方法。其原理非常简单粗暴：任意丢弃神经网络层中的输入，该层可以是数据样本中的输入变量或来自先前层的激活。它能够模拟具有大量不同网络结构的神经网络，并且反过来使网络中的节点更具有鲁棒性。

Dense 就是常提到和用到的全连接层

激活模型

# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')  # 损失函数用均方误差

• optimizer：优化器，用于控制梯度裁剪。必选项

• loss：损失函数（或称目标函数、优化评分函数）。必选项

• metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练过程中。

history = model.fit(x_train, y_train, 
                    batch_size=64, 
                    epochs=20, 
                    validation_data=(x_test, y_test), 
                    validation_freq=1)                  #测试的epoch间隔数
model.summary()

• batch_size 整数 每次梯度更新的样本数。 未指定，默认为32

• epochs 整数 训练模型迭代次数

• verbose 日志展示，整数 0:为不在标准输出流输出日志信息 1:显示进度条 2:每个epoch输出一行记录

• validation_split

浮点数0-1之间

用作验证集的训练数据的比例。

模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。

验 证 数 据 是 混 洗 之 前 x 和 y 数 据 的 最 后 一 部 分 样 本 中 。 \color{red}{ 验证数据是混洗之前 x 和y 数据的最后一部分样本中。}验证数据是混洗之前x和y数据的最后一部分样本中。

• validation_data

元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)， 用来评估损失，以及在每轮结束时的任何模型度量指标。

模型将不会在这个数据上进行训练。

这个参数会覆盖 validation_split。

• validation_steps

仅当steps_per_epoch被指定时有用，在验证集上的step总数。