### 如何在 TensorFlow 2.16.1 中导入并使用 `sequential` 和 `to_categorical` #### 导入 `Sequential` `Sequential` 是 Keras 提供的一种用于构建线性堆叠模型的方式，在 TensorFlow 的高阶 API 中可以直接调用。以下是具体的导入方式： ```python import tensorflow as tf # 使用 Sequential 构建模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(32, activation='relu', input_shape=(784,)), tf.keras.layers.Dense(10, activation='softmax') ]) ``` 此代码片段展示了如何通过 `tf.keras.Sequential` 创建一个简单的神经网络模型[^1]。 --- #### 导入 `to_categorical` `to_categorical` 函数通常被用来将整数编码的目标转换为 one-hot 编码形式，它位于 `tensorflow.keras.utils` 模块下。可以通过如下方式进行导入和使用： ```python import tensorflow as tf # 假设目标类别是一个整数数组 y_train = [0, 1, 2] # 将其转换为 one-hot 形式 y_train_one_hot = tf.keras.utils.to_categorical(y_train, num_classes=3) print(y_train_one_hot) ``` 在此示例中，`num_classes` 参数指定了总共有多少个分类。如果未指定该参数，则会自动推断为目标中的最大值加一[^3]。 --- #### 完整示例：结合 `Sequential` 和 `to_categorical` 下面提供了一个完整的例子，展示如何在一个小型 MNIST 数据集的任务中同时使用这两个工具： ```python import tensorflow as tf # 加载数据 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 预处理输入数据 x_train, x_test = x_train / 255.0, x_test / 255.0 # 转换标签为 one-hot 编码 y_train_one_hot = tf.keras.utils.to_categorical(y_train, num_classes=10) y_test_one_hot = tf.keras.utils.to_categorical(y_test, num_classes=10) # 构建模型 model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', # 对应 one-hot 标签 metrics=['accuracy']) # 训练模型 model.fit(x_train, y_train_one_hot, epochs=5) # 测试模型性能 test_loss, test_acc = model.evaluate(x_test, y_test_one_hot) print(f'Test accuracy: {test_acc}') ``` 在这个例子中，我们先加载了 MNIST 数据集，并对其进行了预处理操作；接着利用 `to_categorical` 将原始的整型标签转成 one-hot 表达形式；最后定义了一个基于 `Sequential` 的简单全连接神经网络完成分类任务[^4]。 ---