关于tensorflow学习（关于如何构建网络来计算偏微分方程）。

一、利用tf.keras.Squential()构建简单的网络

1.1第一步构建一个网络

代码

import tensorflow as tf 
model = tf.kears.Sequential([layer1,layer2,...])

其中Sequential将层叠线性分组到 tf.keras.Model 中。

 继承自Model，Module,Layer

model = tf.keras.models.Sequential([网络结构])  #描述各层网络

tf.keras.Sequential(
    layers=None, name=None)

参数

layers：要添加到模型中的可选图层列表。

name：模型的可选名称

如下列子：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4)

1.3定义损失函数

mse = tf.keras.losses.MeanSquaredError()

1.4定义优化器及学习率

optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)

1.5模型装载

model.compile()

model.compile(
   optimizer, 
   loss = None, 
   metrics = None, 
   loss_weights = None, 
   sample_weight_mode = None, 
   weighted_metrics = None, 
   target_tensors = None
)

其opimizer：优化器，用于控制梯度裁剪。必选项
loss：损失函数（或称目标函数、优化评分函数）。必选项
metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练过程中     

1.6 初始化

包括常量和变量

1.7定义偏微分方程 

后面会发具体的流程，想要文章源码的私我哦
原文链接：https://blog.csdn.net/huang1024rui/article/details/120055487