TensorFlow實現深度學習和預測的簡單流程。
(1)數據預處理:整理分出訓練、測試集 -- 序列數據依賴Numpy或者Pandas處理包;
(2)模型建立:設計模型結構 -- 依賴keras包添加網絡層;
超參設計:隱藏層數目、激活函數、優化方法、loss方法;
model = Sequential() model.add(Embedding(max_features, output_dim=256)) model.add(LSTM(128)) model.add(Dropout(0.5)) model.add(Dense(1, activation='relu')) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit(x_train, y_train, validation_split=0.25, batch_size=32, epochs=2, verbose=1, callbacks=[TensorBoard(log_dir='./tmp/log')])
(3)模型訓練:記錄log、保存中間模型;
model.fit(x_train, y_train, validation_split=0.25, batch_size=32, epochs=2, verbose=1, callbacks=[TensorBoard(log_dir='./tmp/log')])
查看:tensorboard –-logdir=path/to/log --host=127.0.0.1
(4)結果分析:分析accuracy和loss,小結和下步計劃。