1.顺序建模

方式1.

model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(100,activation="relu"))
model.add(tf.keras.layers.Dense(2,activation="sigmoid"))

model.compile(optimizer=tf.keras.optimizers.Adam(0.01),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=["accuracy"])
input = tf.random.uniform((1000,100,10))
label = tf.random.uniform((1000,2))
model.fit(input,label,epochs=10,batch_size=50)

方式2.

model = tf.keras.Sequential([
tf.keras.layers.LSTM(100,activation="relu",input_shape=(100,10,)),
tf.keras.layers.Dense(10)
])
model.compile(optimizer=tf.keras.optimizers.Adam(0.01),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=["accuracy"])
input = tf.random.uniform((1000,100,10),minval=0,maxval=1)
label = tf.random.uniform((1000,10),minval=0,maxval=1)
model.fit(input,label,epochs=10,batch_size=50)

2.函数建模

"""
顺序建模无法实现多输入等操作  如resnet等
这个时候可以用函数式建模方式
"""
import tensorflow as tf
input1 = tf.keras.Input(shape=(100,10))
input2 = tf.keras.Input(shape=(100,10))
x1 = tf.keras.layers.LSTM(100)(input1)
x2 = tf.keras.layers.LSTM(100)(input2)
x = tf.concat([x1,x2],axis=-1)
pre = tf.keras.layers.Dense(10)(x)
# 多输入模型
model = tf.keras.Model(inputs=[input1,input2],outputs=pre)
model.compile(optimizer=tf.keras.optimizers.Adam(0.01),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=["accuracy"])
input1 = tf.random.uniform((1000,100,10),minval=0,maxval=1)
input2 = tf.random.uniform((1000,100,10),minval=0,maxval=1)
label = tf.random.uniform((1000,10),minval=0,maxval=1)
model.fit((input1,input2),label,epochs=10,batch_size=50)

3.子类建模

# 通过继承 tf.keras.Model自定义模型
import  tensorflow as tf
class Mymodel(tf.keras.Model):
    # init 在模型初始化的时候会传递参数  这个参数主要用来配置一些变量
    def __init__(self,number_class=10):
        super(Mymodel,self).__init__()
        self.dense1 = tf.keras.layers.Dense(10)
        self.lstm1 = tf.keras.layers.LSTM(100)
        self.dense2 = tf.keras.layers.Dense(number_class)

    # 这里的call在model.fit时自动传入参数x
    def call(self,inputs):
        x = self.lstm1(inputs)
        x = self.dense1(x)
        y = self.dense2(x)
        return y

model = Mymodel(number_class=10)
model.compile(optimizer=tf.keras.optimizers.Adam(0.01),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=["accuracy"])
x = tf.random.uniform((1000,10,20))
y = tf.random.uniform((1000,10))
model.fit(x,y,epochs=10,batch_size=40)