六步法搭建神经网络（tensorflow.Sequential顺序网络结构）

六步法

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

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

常见网络结构举例

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=正则化方式)
activation可选参数：relu，softmaxt，sigmoid，tanh。通常最后一层softmax用于二分类以上的多分类，sigmoid在最后一层用于二分类。
kernel_regularizer可选参数：tf.keras.regularizers.l1()，tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D(filters=卷积核数, kernel_size=卷积尺寸, strides=卷积步长, padding=‘valid’ or ‘same’)
LSTM层：tf.keras.layers.LSTM()

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

optimizer可选：
‘sgd’ or tf.keras.optimizers.SGD(lr=学习率, momentum=动量参数)
‘adagrad’ or tf.keras.optimizers.Adagrad(lr=学习率)
‘adadelta’ or tf.keras.optimizers.Adadelta(lr=学习率)
‘adam’ or tf.keras.optimizers.Adam(lr=学习率, beta_1=0.9, beta_2=0.999)
loss可选：
‘mse’ or tf.keras.losses.MeanSequaredError()
‘sparse_categorical_crossentropy’ = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)，如果神经网络输出结果经过了概率分布，from_logits=False；如果神经网络输出结果没有经过概率分布，from_logits=True。
metrics可选(y_是标签，y是预测结果)：
‘accuracy’ = y_ 和 y 都是数值，如：y_ = [1]，y = [1]
‘categorical_accuracy’：y_ 和 y 都是独热编码(概率分布)，如：y_ = [0, 1, 0]，y = [0.1, 0.7, 0.2]
‘sparse_categorical_accuracy’：y_是数值，y是独热码，如：y_ = [1]，y = [0.2, 0.7, 0.3]。

model.fit()

model.fit(训练集的输入特征, 训练集的标签, batch_size=64, epochs=10,
validation_split=0.2, validation_data=(测试集的输入特征，测试集标签), validation_freq=4)
batch_size：每次喂入神经网路的样本数。
epochs：要迭代多少次数据集。
validation_split：测试集的比例，validation_data只使用一个即可。
validation_data：测试集
validation_freq：多少次epoch使用测试集验证一次结果。

model.summary()

打印出网络结构及参数统计。

六步法鸢尾花代码示例

# 第一步：import
import tensorflow as tf
from sklearn import datasets
import numpy as np

# 第二步：train, test
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

# 第三步：model = tf.keras.models.Sequential
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

# 第四步：model.compile()
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

# 第五步：model.fit()
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)

# 第六步：model.summary()
model.summary()