TensorFlow学习之路（三）

TensorFlow模型类

TensorFlow模型类：Model类

初始化参数 
___init_ __（self）//定义
call(self,input)	  //组装

类中包含方法：
summary：展示模型的基本情况
compile：编译时定义的优化器常常数之类的东西
fit：训练模型
save：保存模型到磁盘中
evaluate：评估模型

TensorFlow模型类：Sequential类

Sequential继承于Model
初始化参数只有一个就layout层参数

TensorFlow逐层构造LeNet模型

1. LeNet第一层：TensorFlow卷积类
   初始化参数
   filters 卷积核个数
   kernel_size 卷积核大小
   strides=(1，1) 步长
   padding=‘valid’ 其他可选项 valid舍弃，same补齐
   data_fotmat=None 默认channels_last
   activation=tf.nn.relu 激活函数
   input_shape=(32,32,1) 输入格式

   卷积层编码

   tf.keras.layers.Conv2D(filters=6,kernel_size=(5,5),padding='valid',activation=tf.nn.relu,input_shape=(32,32,1))
   

2. LeNet第二层：TensorFlow池化类
   初始化参数
   pool_size 池化大小
   strides=(1,1) 步幅
   padding=‘vaild’ 其他可选项 valid舍弃，same补齐
   data_format=None 默认channels_last
   ————————————————————
   池化层类编码

   tf.keras.layers.AveragePooling2D(pool_size=(2,2),strides=(2,2),padding='same')
   

3. LeNet第三、四层：TensorFlow卷积层+池化层编码

   第三第四层的卷积层和池化层的编码和第一第二层的编码是一样的，但是第三层的卷积层的卷积核filters为16

   tf.keras.layers.Conv2D(filters=16,kernel_size=(5,5),padding='valid',activation=tf.nn.relu,input_shape=(32,32,1))
   tf.keras.layers.AveragePooling2D(pool_size=(2,2),strides=(2,2),padding='same')
   

4. 附加、TensorFlow扁平化类
   在第三第四层之后会有一个扁平化类

   tf.keras.layers.Flatten()
   

5. LeNet第五、六、七层：TensorFlow全连接层
   初始化参数
   units 输出维数
   activation 激活函数
   strides=(1,1) 步长
   padding=‘vaild’ 其他可选项 valid舍弃，same补齐
   data_format=None 默认channels_last
   编码

   tf.keras.layers.Dense(units=120,activation=tf.nn.relu)
   tf.keras.layers.Dense(units=84,activation=tf.nn.relu)
   tf.keras.layers.Dense(units=10,activation=tf.nn.softmax)
   

   不同的是他们输出的维数是不同的，最后一个激活函数是输出最大的

到此为止LeNet模型已经构造好了

最后附上全部的模型构造代码

mode=tf.keras.models.Sequential([tf.keras.layers.Conv2D(filters=6,kernel_size=(5,5),padding='valid',activation=tf.nn.relu,input_shape=(32,32,1))
,tf.keras.layers.AveragePooling2D(pool_size=(2,2),strides=(2,2),padding='same')
,tf.keras.layers.Conv2D(filters=16,kernel_size=(5,5),padding='valid',activation=tf.nn.relu,input_shape=(32,32,1))
,tf.keras.layers.AveragePooling2D(pool_size=(2,2),strides=(2,2),padding='same')
,tf.keras.layers.Flatten()
,tf.keras.layers.Dense(units=120,activation=tf.nn.relu)
,tf.keras.layers.Dense(units=84,activation=tf.nn.relu)
,tf.keras.layers.Dense(units=84,activation=tf.nn.softmax)])

这里就构造好了一个Mode类型的模型啦