### TensorFlow 中 `tf.keras` 模块的用法 #### 1. 构建模型 `tf.keras` 提供了多种方式来定义神经网络模型，其中最常用的方式是使用 `Sequential` 和 `Model` API。 以下是基于 `Sequential` 的简单示例： ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers model = tf.keras.Sequential([ layers.Dense(64, activation='relu', input_shape=(32,)), # 输入层 layers.Dense(64, activation='relu'), # 隐藏层 layers.Dense(10, activation='softmax') # 输出层 ]) ``` 上述代码创建了一个具有两层隐藏层的全连接前馈神经网络[^4]。 #### 2. 编译模型 编译阶段用于指定优化器、损失函数以及评估指标。这一步骤决定了模型如何学习数据并衡量其性能。 ```python model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss=tf.keras.losses.CategoricalCrossentropy(), metrics=[tf.keras.metrics.CategoricalAccuracy()] ) ``` 这里选择了 Adam 作为优化算法，并设置了交叉熵损失函数和分类准确率作为评价标准。 #### 3. 训练模型 训练过程涉及提供输入特征 (`X_train`) 及对应标签 (`y_train`) 给模型，并执行一定轮次 (epochs) 的迭代更新权重参数以最小化误差。 ```python history = model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2) ``` 此命令会利用训练集进行十轮的学习周期，在每一轮结束时自动保留一部分样本作验证用途。 #### 4. 使用回调函数增强功能 为了更好地控制训练流程或者保存最佳状态下的模型，可以引入回调机制。例如 EarlyStopping 能够防止过拟合；ModelCheckpoint 则允许我们存储表现最好的一次权值文件。 ```python callbacks_list = [ tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=5), tf.keras.callbacks.ModelCheckpoint(filepath='best_model.h5', monitor='val_loss', save_best_only=True) ] history = model.fit(X_train, y_train, epochs=50, callbacks=callbacks_list, validation_split=0.2) ``` 这些工具使得复杂场景下调整超参更加灵活高效[^3]。 --- ### 注意事项 当切换不同版本间可能存在兼容性差异问题需要注意解决办法比如重新安装依赖库确保一致性和稳定性等问题。