数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何使用 Python 中的 TensorFlow 逐步创建顺序模型？
当只有一个简单的层堆栈时，顺序模型是相关的。在这个堆栈中，每一层只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时，它不适用。当需要共享层时，它不适用。当层有多个输入或多个输出时，它不适用。当需要非线性架构时，它不适用。
TensorFlow 是 Google 提供的一个机器学习框架。它是一个开源框架，与 Python 结合使用来实现算法、深度学习应用程序等等。它用于研究和生产目的。它具有优化技术，有助于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，并附带许多流行的数据集。它使用 GPU 计算并自动管理资源。它附带大量的机器学习库，并且得到了良好的支持和文档记录。该框架能够运行深度神经网络模型，训练它们，并创建预测各个数据集相关特征的应用程序。
可以使用以下代码行在 Windows 上安装“tensorflow”包：
pip install tensorflow
张量是 TensorFlow 中使用的数据结构。它有助于连接数据流图中的边。此数据流图称为“数据流图”。张量只不过是多维数组或列表。它们可以使用三个主要属性来标识
秩 - 它说明了张量的维度。可以理解为张量的阶数或已定义张量的维度数。
类型 - 它说明了与张量元素关联的数据类型。它可以是一维、二维或 n 维张量。
形状 - 它是行数和列数的总和。
Keras 在希腊语中意为“角”。Keras 是作为 ONEIROS（开放式神经电子智能机器人操作系统）项目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，具有高效的界面，有助于解决机器学习问题。它运行在 TensorFlow 框架之上。它旨在帮助快速进行实验。它提供了开发和封装机器学习解决方案所必需的基本抽象和构建块。
Keras 已经存在于 TensorFlow 包中。可以使用以下代码行访问它。
import tensorflow from tensorflow import keras
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助在浏览器上运行 Python 代码，无需任何配置，并可免费访问 GPU（图形处理单元）。Colaboratory 建立在 Jupyter Notebook 之上。
让我们来看一个使用 TensorFlow（包括 Keras）创建顺序模型的示例：
示例
print("A sequential model is being created")
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))
print("Dense layers have been added to the model")代码来源 - https://tensorflowcn.cn/guide/keras/sequential_model
输出
A sequenital model is being created Dense layers have been added to the model
解释
这是在 Keras 中使用 Python 创建顺序模型并向其中添加层的另一种方法。
一个变量被赋值为对“sequential”方法的调用。
除了这个变量之外，还使用“add”方法为模型生成层。
添加层后，数据将显示在控制台上。
227 次浏览
