用Tensorflow API:tf.keras搭建网络八股：六步法

#想要搭建属于自己的神经网络模型么，跟我做六步就好

#入门课程可看Tensorflow2.0

#激活函数教程

#课程很好如有不懂可私信交流

总览

六步法的简要内容

---

import           第一步引入相关模块
train,test       第二步说明训练集（特征）和测试集（标签）是什么
model = tf.keras.models.Sequential   第三步在Sequential()中搭建网络结构,逐层描述每层网络
model.compile         第四步告知选择那种 （优化器） 和 （损失函数） （评测指标）
model.fit                  第五步执行训练过程 告知训练集和测试集的输入特征和标签，告知每个                                              batch是多少 迭代多少次
model.summary       第六步用summary()打印出网络的结构和参数统计

 第一二步就不做过多说明

第三步：在Sequential()中搭建网络结构

Sequential这个可以是个容器封装一个神经网络结构
要描述从输入层到输出层每一层的网络结构
网络结构举例：
拉直层：tf.keras.layers.Flatten()
全连接层：tf.keras.layers.Dense(神经元个数，activation="激活函数“，
kernel_regularizer=哪种正则化)

activation(字符串给出)可选：relu、softmax、sigmoid、tanh（这四个激活函数功能）
kernel_regularizer可选:tf.keras.regularizers.l1()  tf.keras.regularizers.l2()

卷积层：tf.keras.layers.Conv2D(filters=卷积核个数，kernel_size=卷积核尺寸，
strides=卷积步长，padding="valid"or"same")

LsTM层：tf.keras.layers.LSTM()

第四步：选择那种 （优化器） 和 （损失函数） （评测指标）

model.compile(optimizer=优化器，
Ioss=损失函数
metrics=["准确率"])

Optimizeri可选：
'sgd'or tf.keras.optimizers.SGD(lr=学习率，momentum=动量参数)
'adagrad'or tf.keras.optimizers.Adagrad(lr=学习率)
'adadelta'or tf.keras.optimizers.Adadelta(lr=学习率)
'adam'or tf.keras.optimizers.Adam(lr=学习率，beta_1=0.9,beta_2=0.999)

loss可选：
'mse'or tf.keras.losses.MeanSquaredError()
'sparse_categorical_crossentropy'or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

Metrics可选：
'accuracy':y_和y都是数值，如y=[1] y=[1]
'categorical_accuracy':y_和y都是独热码(概率分布)，如y_=[0,1,0] y=[0.256,0.695,0.048]
'sp2se_categorical_accuracy':y_是数值,y是独热码（概率分布），如y=[1] y=[0.256,0.695,0.048]

第五步：执行训练过程 告知训练集和测试集的输入特征和标签，告知每个batch是多少 迭代多少次

model.fit(训练集的输入特征，训练集的标签，
batch_size=  , epochs=  ,
validation_data=(测试集的输入特征，测试集的标签)，
validation_split=从训练集划分多少比例给测试集，
validation_freq=多少次epochi测试一次)

第六步：用summary()打印出网络的结构和参数统计

summary()函数可以打印出网络的结构和参数统计

总结

就是这六步了，后面直接添加或者修改就行

具体代码如下可根据自己情况改动

import tensorflow as tf
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

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()

制作不易请给个赞呗~