全面小白分析如何使用tensorflow2.0中的Sequential按层顺序创建模型

你是否苦恼看到一个神经网络结构图却不知如何将其转变成python代码？恭喜你来对地方了。

当你看到一个神经网络结构图的时候，你最先思考的是什么？别一头扎进去看结构图的细节，你会很晕。

你先看看输入和输出是什么。如果刚好只有一个输入和只有一个输出，恭喜你，使用Sequential按层顺序搭建可以满足你的需求。

实际上，Sequential按层顺序搭建神经网络是另外两种搭建神经网络方法的基础，所以理解好这个很重要。另外两种方法会在下面的博客里更新，欢迎关注哦。

使用Sequential按层顺序搭建神经网络你需要哪些东西呢，我们需要别人家写好的现成的层对象，然后通过堆叠这些层对象来搭建自己的网络。

现成的层对象有哪些呢？请看下图，tensorflow2.0已经帮我们全部准备好了，下图只是举例说明，详情可以看我另外一篇博客都2020年了，汇总tf.keras模型层layers都有哪些

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv2D  # 卷积层
from tensorflow.keras.layers import MaxPool2D  # 最大池化
from tensorflow.keras.layers import Flatten  # 平铺层
from tensorflow.keras.layers import Dense  # 全连接层

现在我们相当于知道了有了哪些材料啦，但是还剩下一个问题，我们如何把这些材料搭建起来呢？

答案有两种，一种是使用列表的形式，一种是使用add的形式。我都来演示一遍。注意看代码上面的注释说明，注意看代码上面的注释说明，注意看代码上面的注释说明。

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv2D  # 卷积层
from tensorflow.keras.layers import MaxPool2D  # 最大池化
from tensorflow.keras.layers import Flatten  # 平铺层
from tensorflow.keras.layers import Dense  # 全连接层



# todo 我们如何把这些材料搭建起来？使用add方式,总共两步，步骤一和步骤二

# 步骤一，实例化一个Sequential对象
my_name_is_learn_model = Sequential()


# 步骤二，将现成的层对象按照顺序堆叠起来，格式：如下my_name_is_learn_model.add(),括号里面放层对象，例如下面的Dense

my_name_is_learn_model.add(Dense(units=32, name='dense_1'))
my_name_is_learn_model.add(Dense(units=64, name='dense_2'))
my_name_is_learn_model.add(Dense(units=128, name='dense_3'))
my_name_is_learn_model.add(Dense(units=10, name='dense_4'))

# 步骤三，使用这个神经网络
import tensorflow as tf
x = tf.Variable(initial_value=tf.random.normal(shape=(32, 784)))  # 随便构造一个数据
out = my_name_is_learn_model(x)  # 将数据输入神经网络得到输出
# 输入x的形状shape是通过第一个层的要求输入的，输出out的形状shape是通过最后一个层的规格输出的
pass

明白了使用add方法就很容易理解列表的方法，完整代码如下：

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv2D  # 卷积层
from tensorflow.keras.layers import MaxPool2D  # 最大池化
from tensorflow.keras.layers import Flatten  # 平铺层
from tensorflow.keras.layers import Dense  # 全连接层

# todo 我们如何把这些材料搭建起来？使用列表方式,总共一步，步骤一

# 步骤一，实例化一个Sequential对象，并传入一个列表

my_name_is_learn_model = Sequential(
    [
        Dense(units=32, name='dense_1'),
        Dense(units=64, name='dense_2'),
        Dense(units=128, name='dense_3'),
        Dense(units=10, name='dense_4')
    ]
)

# 步骤二，使用这个神经网络
import tensorflow as tf

x = tf.Variable(initial_value=tf.random.normal(shape=(32, 784)))  # 随便构造一个数据
out = my_name_is_learn_model(x)  # 将数据输入神经网络得到输出

# 输入x的形状shape是通过第一个层的要求输入的，输出out的形状shape是通过最后一个层的规格输出的
pass

到此，相信通过你帅气的脸庞再加上聪明的头脑肯定是都理解完毕啦，恭喜你又懂得了一点新知识，爱你哟么么哒哈哈哈哈