tf.keras快速入门——函数式API(二)

在上篇的tf.keras快速入门——函数式API中简单的使用了和序列模型不同的样子来定义网络。但是，该网络只是层与层之间的连接更加灵活，但却没有其余的优点了。当我们需要完全自定义网络模型和前向传递过程，就满足不了了。
这里，我们讨论自定义模型。
自定义Model类，需要最少复写两个方法，分别是：

• __init__()
• call()

在__init__()我们初始化所需要的神经网络层，在call()中定义这些神经网络层如何连接，可以理解为前向传播。然后需要返回一个outputs，也就是输出。
在本篇中，还是考虑修改鸢尾花分类案例。
在上篇中，我们是这样定义的：

input_data = tf.keras.Input(shape=(len(x_data[0],)))
h_1 = tf.keras.layers.Dense(4, activation="relu")(input_data)
h_2 = tf.keras.layers.Dense(3, activation="softmax")(h_1)

在这里还是保留类似的结构：

import matplotlib.pyplot as plt
%matplotlib inline
import tensorflow as tf
from sklearn.datasets import load_iris
# 训练集和测试集的划分
from sklearn.model_selection import train_test_split

x_data = load_iris().data  # 特征，【花萼长度,花萼宽度,花瓣长度,花瓣宽度】
y_data = load_iris().target # 分类
x_train, x_test, y_train, y_test = train_test_split(x_data, y_data, test_size=0.30, random_state=42)


class MyModel(tf.keras.Model):
    def __init__(self, hidden_shape, output_shape):
        super(MyModel, self).__init__()
        self.layer1 = tf.keras.layers.Dense(hidden_shape, activation='relu')
        self.layer2 = tf.keras.layers.Dense(output_shape, activation='softmax')
        
    def call(self, inputs):
        h1 = self.layer1(inputs)
        out = self.layer2(h1)
        return out

model = MyModel(hidden_shape=4, output_shape=3)
      
model.compile(optimizer=tf.keras.optimizers.Adam(), 
             loss=tf.keras.losses.sparse_categorical_crossentropy, 
             metrics=['accuracy'])

history = model.fit(x_train, y_train, epochs=300)


for key in history.history.keys():
    plt.plot(history.epoch, history.history[key])