tensorflow2.0中主要通过tf.keras搭建神经网络这节我们就来介绍一下搭建神经网络的步骤和函数

搭建神经网络的基本步骤

#第一步导入api
1.import tensorflow as tf
#第二步分割数据集为训练集和测试集
2.train,test
#第三步是搭建合适的网络模型(前向传播过程)
3.model=tf.keras.models.Sequential
#第四步是配置训练方法，选择训练优化器，选择损失函数
4.model.compile
#第五步在fit中执行训练过程
5.model.fit()
#第六步输出训练结果的参数
6.model.summary

1.model=tf.keras.models.Sequential([网络结构]) 主要是为了描述各层网络

拉直层：tf.keras.layers.Flatten()
全链接层：tf.keras.layers.Dense(神经元个数，activation=“激活函数”，kernel_regularizer=“哪种正则化”)
激活函数有：relu,softmax,sigmoid,tanh;
正则化方式：tf.keras.regularizers.l1(),tf.keras.regularizers.l2();
卷积层：tf.keras.layers.Conv2D(filter=过滤网个数，kernel_size=滤波器大小，strides=卷积步长，padding="valid"or"same"填充像素)
循环神经网络层（LSTM）：tf.keras.layers.LSTM（）

2.model.compile(optimizer=优化器，loss=损失函数，metri cs=[“准确率"])

Optimizer可选：sgd，adagrad,adadelta,adam
loss可选：mse,sparse_categorical_crossentropy
Metrics可选：accuracy(),categorical_accuracy,sparse_categorical_accuracy

3.model.fit(训练集的输入特征，训练集目标值，batch_size=每组个数,epochs=迭代次数,validation_data=(测试集特征，测试集目标值)，validate_split=划分多少数据集给测试集，validate_freq=多少epoch测试一次

4.model.summary()可以打印出参数结构和参数统计

实例(iris数据分类)

from sklearn import datasets
import tensorflow as tf
x_train=datasets.load_iris().data#返回iris的特征值
y_train=datasets.load_iris().target#返回iris数据集所有标签


model=tf.keras.models.Sequential([tf.keras.layers.Dense(3,activation="softmax",kernel_regularizer=tf.keras.regularizers.l2())])
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])
model.fit(x_train,y_train,batch_size=32,epochs=500,validation_split=0.2,validation_freq=20)
model.summary()

结果如下：