Tensorflow构建网络的四种方法

1.使用现有的预训练模型

         一种是线下训练，然后保存模型，线上加载运行。就是常规的模型部署。 一种是使用别人训练好共享出来的模型，加载到自己的业务场景中，适应性调整参数。这个过程美其名曰：迁移学习。如VGG16网络等。

from tensorflow.keras.applications import MobileNetV2
#使用Mobile netV2网络，input_shape是单张图片输入尺寸
#classes是分类数量
base=MobileNetV2(include_top=False, pooling='max',weights="imagenet",input_shape=(100,100,3),classes=12)

2.keras.sequential模式

        就是将各个层按照特定顺序堆叠起来，灵活性差，它不能表示任意的神经网络结构，无法对中间计算得到的变量进行个性化的操作。

import tensorflow as tf

model = tf.keras.models.Sequential()
#需要加什么层，直接加就行
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(900,activation='relu6'))
model.add(tf.keras.layers.Dropout(0.3))
model.add(tf.keras.layers.Dense(360,activation='relu6',kernel_regularizer=tf.keras.regularizers.l2(0.1)))
model.add(tf.keras.layers.Dropout(0.3))
model.add(tf.keras.layers.Dense(100,activation='relu6',kernel_regularizer=tf.keras.regularizers.l2(0.1)))
model.add(tf.keras.layers.Dense(12, activation='softmax'))

3.FunctionalAPI函数建立模型（最常用，可构建复杂网络）

        这种方式就是各个层都是一个函数，有明确的输入和输出，可以对输入和输出进行个性化的操作后，送入下一层，也可以复用。通过函数的叠加就可以实现，一般使用这种方法，将模型封装成一个模型函数

1. 定义输入net_input=tf.keras.Input()类，设定输入的shape。
2. 用函数式API构建网络结构，如l1=tf.keras.layers.Flatten()(net_input)，最后得到输出层net_output
3. 创建Model类，并传入输出与输出，如tf.keras.Model(inputs=net_input,outputs=net_output)

4.tf构建模型class

        就是自定义层级结构，最灵活，当然灵活的代价是增加了代码量。自定义层级的class，需要继承父类Layers，TensorFlow2 自定义的层级需要实现3个函数init、buil、call。

init ：初始化所有参数，根须需要设定层中的参数，比如输出的维度，卷积核数目和大小。

buil：（只有实现了此方法，才能用compile，否则，需要手写Gradentape的繁琐结构），对所有的可变参数进行定义

call：模型的计算过程，全部放这里