神经网络搭建—Sequential&class

Sequential六步法

首先，介绍这六个步骤：

import
train, test
model = tf.keras.models.Sequential
model.compile
model.fit
model.summary

Sequential

Sequential用来描述各层网络，并且按顺序将它们走一遍，相当于一次前向传播。

model = tf.keras.models.Sequential([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)
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()

compile

配置神经网络的训练方法，告知训练时选择的优化器、损失函数和评测指标

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

False和True表示的是神经网络的输出是原始输出（True）还是概率分布（False），比如在激活函数时使用了softmax函数就是进行概率分布输出，这里就需要填False

新手入门时，可以采用字符串作为值传入；当逐渐熟练掌握后，可以使用函数形式，因为这样可以调节参数

fit

这里如果使用validation_split从训练集中划分数据给测试集，就不用在前面分出x_test和y_test了

summary

打印出网络的结构和参数统计

model.summary()

以鸢尾花数据集为例

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

## train, test
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

## 随机打乱特征值和目标值
np.random.seed(520)
np.random.shuffle(x_train)
np.random.seed(520)
np.random.shuffle(y_train)
tf.random.set_seed(520)

## Sequential
model = tf.keras