卷积神经网络八股（一）------20行代码搞定鸢尾花分类

编写不易，未有VIP但想白嫖文章的朋友可以关注我的个人公众号“不秃头的码农”直接查看文章，后台回复java资料、单片机、安卓可免费领取资源。你的支持是我最大的动力！

引言

前面所演示的都是基于Tensorflow2的原生代码所搭建的神经网络，但会发现的是，单是实现一个简单的鸢尾花分类就得写100多行代码，这明显是不行的，所以今天我要给大家讲的是用keras搭建神经网络，最终我们将可以用不到20行的代码将鸢尾花分类案例复现出来。

用Tensorflow API：tf.keras实现神经网络搭建八股

#六步法
import  #导入所需模块
train, test  #告知要喂入网络的训练集和测试集是什么？即指定训练集、测试集的输入特征x_train、x_test和训练集、测试集的标签y_train、y_test
model = tf.keras.models.Sequential #在Sequential（）中搭建网络结构，逐层描述每层网络，相当于走了一遍前向传播
model.compile  #在compile()中配置训练方法，告知训练时选择哪种优化器、哪个损失函数、哪种评测指标
model.fit  #在fit()中执行训练过程，告知训练集和测试集的输入特征和标签、每个batch是多少、要迭代多少次数据集
model.summary   #用summary()打印出网络的结构和参数统计

Sequential的用法

Sequential可以认为是一个容器，该容器里封装了一个神经网络结构，用来描述各层网络：

model = tf.keras.models.Sequential ([ 网络结构 ])

网络结构又分为拉直层和全连接层：

tf.keras.layers.Flatten( )  #拉直层，该层不含计算只是形状转换，把输入特征拉直变为一维数组
tf.keras.layers.Dense(神经元个数, activation= "激活函数“, kernel_regularizer=哪种正则化)   #全连接层，该层告知神经元的个数、激活函数、正则化方法

activation（字符串给出）可选: relu、 softmax、 sigmoid 、 tanh
kernel_regularizer可选: tf.keras.regularizers.l1()、tf.keras.regularizers.l2()

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"