資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何使用 Python 中的 TensorFlow 逐步建立順序模型？
當只有一個簡單的層堆疊時，順序模型是相關的。在這個堆疊中，每一層只有一個輸入張量和一個輸出張量。當模型有多個輸入或多個輸出時，它不適用。當需要共享層時，它不適用。當層有多個輸入或多個輸出時，它不適用。當需要非線性架構時，它不適用。
TensorFlow 是 Google 提供的一個機器學習框架。它是一個開源框架，與 Python 結合使用來實現演算法、深度學習應用程式等等。它用於研究和生產目的。它具有最佳化技術，有助於快速執行復雜的數學運算。
這是因為它使用 NumPy 和多維陣列。這些多維陣列也稱為“張量”。該框架支援使用深度神經網路。它具有高度可擴充套件性，並附帶許多流行的資料集。它使用 GPU 計算並自動管理資源。它附帶大量的機器學習庫，並且得到了良好的支援和文件記錄。該框架能夠執行深度神經網路模型，訓練它們，並建立預測各個資料集相關特徵的應用程式。
可以使用以下程式碼行在 Windows 上安裝“tensorflow”包：
pip install tensorflow
張量是 TensorFlow 中使用的資料結構。它有助於連線資料流圖中的邊。此資料流圖稱為“資料流圖”。張量只不過是多維陣列或列表。它們可以使用三個主要屬性來標識
秩 - 它說明了張量的維度。可以理解為張量的階數或已定義張量的維度數。
型別 - 它說明了與張量元素關聯的資料型別。它可以是一維、二維或 n 維張量。
形狀 - 它是行數和列數的總和。
Keras 在希臘語中意為“角”。Keras 是作為 ONEIROS（開放式神經電子智慧機器人作業系統）專案研究的一部分開發的。Keras 是一個用 Python 編寫的深度學習 API。它是一個高階 API，具有高效的介面，有助於解決機器學習問題。它執行在 TensorFlow 框架之上。它旨在幫助快速進行實驗。它提供了開發和封裝機器學習解決方案所必需的基本抽象和構建塊。
Keras 已經存在於 TensorFlow 包中。可以使用以下程式碼行訪問它。
import tensorflow from tensorflow import keras
我們使用 Google Colaboratory 來執行以下程式碼。Google Colab 或 Colaboratory 幫助在瀏覽器上執行 Python 程式碼，無需任何配置，並可免費訪問 GPU（圖形處理單元）。Colaboratory 建立在 Jupyter Notebook 之上。
讓我們來看一個使用 TensorFlow（包括 Keras）建立順序模型的示例：
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")程式碼來源 - https://www.tensorflow.org/guide/keras/sequential_model
輸出
A sequenital model is being created Dense layers have been added to the model
解釋
這是在 Keras 中使用 Python 建立順序模型並向其中新增層的另一種方法。
一個變數被賦值為對“sequential”方法的呼叫。
除了這個變數之外，還使用“add”方法為模型生成層。
新增層後，資料將顯示在控制檯上。
227 次瀏覽
