极快速搭建神经网络（总结）

主要参考链接：

https://www.cnblogs.com/sun-a/p/13382713.html
https://blog.csdn.net/weixin_43939952/article/details/104037604
https://blog.csdn.net/qq_43656233/article/details/106035569
https://blog.csdn.net/yunfeather/article/details/106461754
https://blog.csdn.net/weixin_40244676/article/details/105091539

该篇内容主要是对参考链接1的补充与说明，其余链接主要为支撑链接，作为小白，花了一下午把这些整理清晰，希望分享给大家。

大纲

1. 导库
2. 训练集与测试集的划分及打散
3. 模型构建
4. 惩罚函数构建
5. 模型训练
6. 模型参数情况打印
7. 测试集测试

导入库

数据在sklearn，如果没有的话自己安装一下

import tensorflow as tf
from sklearn import datasets
import numpy as np
from sklearn.model_selection import train_test_split

导入数据集

train_data = datasets.load_iris().data
train_target = datasets.load_iris().target

使用sklearn将数据集分割成训练集和测试集，训练集与测试集比例为0.3
x_train,x_test, y_train, y_test = train_test_split(train_data,train_target,test_size=0.3, random_state=0)

数据打散

使用np.random.seed将训练集打散，注意这里使用相同的数值（116），这样可以将x_train和y_train对应上，将数据集打散对测试精度有帮助

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)

建立神经网络模型

这里使用一层全连接层作为演示，如果需要创建两层，可以在第一层后面再加，或者使用add增加
函数讲解参考链接：https://blog.csdn.net/qq_43656233/article/details/106035569

model = tf.keras.Sequential([
tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
                           ])

配置惩罚函数及参数

函数讲解参考链接：https://blog.csdn.net/yunfeather/article/details/106461754

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[tf.keras.metrics.sparse_categorical_accuracy])

配置训练参数，如数据集，训练次数，batch_size等

函数讲解参考链接：https://blog.csdn.net/weixin_40244676/article/details/105091539

model.fit(x_train, y_train, batch_size=32, epochs=500, 
		validation_freq=20, validation_split=0.2)

输出模型各层的参数状况

model.summary()

对测试集进行测试

accuracy = model.evaluate(x_test,y_test)