TensorFlow2中三种创建模型的方法（以鸢尾花数据集为例）

1. 导包

import tensorflow as tf # tf为2.3版本
import tensorflow as keras
from sklearn.datasets import load_iris  # 导入鸢尾花数据（需pip安装scikit-learn）
from sklearn.model_selection import train_test_split # 数据集划分方法

2. 数据准备

iris = load_iris() # 加载鸢尾花数据
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22) # 返回Numpy类型的数据

数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性，可通过花萼长度、花萼宽度、花瓣长度、花瓣宽度这4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

3. 模型搭建与训练

创建三分类问题的MLP模型

方法1：Sequential模型

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4,input_shape=(4,)))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(3, activation='softmax'))

print(model.summary()) # 打印模型信息
optimizer = tf.keras.optimizers.Adam() # 优化器
loss_func = tf.keras.losses.SparseCategoricalCrossentropy() # 损失函数
model.compile(optimizer=optimizer,loss=loss_func,metrics=['acc'])   # 编译模型
history = model.fit(x_train,y_train,validation_data=(x_test,y_test),batch_size=32,epochs=15) # 训练模型

方法2：函数模型

# 函数式API 方法
myinput = tf.keras.Input(shape=(4,))
x = tf.keras.layers.Dense(4)(myinput)
x = tf.keras.layers.Dense(128, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
myoutput = tf.keras.layers.Dense(3, activation='softmax')(x)

model = tf.keras.Model(inputs = myinput,outputs = myoutput)

print(model.summary())
optimizer = tf.keras.optimizers.Adam() # 优化器
loss_func = tf.keras.losses.SparseCategoricalCrossentropy() # 损失函数
model.compile(optimizer=optimizer,loss=loss_func,metrics=['acc'])   # 编译模型
history = model.fit(x_train,y_train,validation_data=(x_test,y_test),batch_size=32,epochs=15) # 训练模型

方法3：子类模型（自定义类）

#子类模型 模型类定义（继承tf.keras.Model）
class MyModel(tf.keras.Model):
    # 构造器 __init__，初始化模型所需要的层
    def __init__(self,in_units = 4,out_units = 3):
        super().__init__()
        self.dense1 = tf.keras.layers.Dense(in_units)
        self.dense2 = tf.keras.layers.Dense(128, activation='relu')
        self.dense3 = tf.keras.layers.Dense(64, activation='relu')
        self.dense4 = tf.keras.layers.Dense(out_units, activation='softmax')
    # 模型调用call(),描述输入数据如何通过各层
    def call(self,inputs):
        x = self.dense1(inputs)
        x = self.dense2(x)
        x = self.dense3(x)
        x = self.dense4(x)
        return x

model = MyModel(4,3)
model.build(input_shape=(None,4)) # None是对应的Batch大小（如果不输出model.summary()时，则无需build方法）

print(model.summary())
optimizer = tf.keras.optimizers.Adam() # 优化器
loss_func = tf.keras.losses.SparseCategoricalCrossentropy() # 损失函数
model.compile(optimizer=optimizer,loss=loss_func,metrics=['acc'])   # 编译模型
history = model.fit(x_train,y_train,validation_data=(x_test,y_test),batch_size=32,epochs=15) # 训练模型