TensorFlow搭建神经网络最简单的方法是利用Keras中的函数快速建立模型并进行训练及使用，使用过程大致需要以下几步：
目录
1、安装Python并配置
1.1 安装Python
网上有很多教程了，这里就不过多赘述了。
但是需要注意的是，TensorFlow与Python的版本兼容问题，本人当时使用的是Python3.7.8版本，目前可以正常使用。如果下载过慢或者下载失败可以使用我当时下载的版本，这里贴上百度云的链接：
链接：https://pan.baidu.com/s/18ltVfD7vDkf3_pc4WGEGNA?pwd=1234
提取码：1234
1.2 定向pip命令至国内镜像源
pip命令是使用Python过程中十分重要的命令，可以快速安装TensorFlow、numpy、Matplotlib等必须要用到的库。所以这个很重要，如果无法连接外网那么使用默认源，一般都会存在pip下载的缓慢或者下载失败的问题，所以在使用pip命令之前需要更换国内的镜像源。
由于站内已经有很不错的教程了，所以搜索一下pip国内镜像源，找最新的就好。
1.3 安装pycharm
搜索pycharm，去jetbrains官方网站，下载即可。
如果下载失败，可以使用下面的链接，是2023.1 community版本
链接：https://pan.baidu.com/s/1_4ZLwIfDlccgMi4KJCHx6A?pwd=1234
提取码：1234
pycharm分为很多版本，运行神经网络什么版本都可以，所以建议选择免费的community版本，其他收费版本可能还需要其他步骤，多出来的功能如果不是正式做开发可能也用不到。为了这里讲的省事，就用community版本。安装过程没什么可说的，一路下一步即可，不放心可以搜一下别的教程。
最后是修改默认解释器，一般如果我们的Python是正确安装的，这一步可以跳过。修改到我们前面安装Python的那个地方就可以。如果不会的话搜索选择pycharm解释器。
2、安装TensorFlow、CUDA
2.1 pip命令安装TensorFlow
2.1.1、打开命令行窗口：
由于之前已经把镜像源定向到国内了，所以这里直接按win+r键打开运行框，输入cmd命令进入命令行窗口即可。
2.1.2 更新pip程序：
命令行窗口中输入python -m pip install --upgrade pip，回车即可。
2.1.3 安装TensorFlow：
继续输入pip install tensorflow即可，安装其他包的时候，把TensorFlow换成numpy、matpoltlib、scikit-learn即可
我安装过了，所以跟你的文字可能不相同，一般不出现红色的error基本就是安装成功了。
2.2 下载并安装CUDA及CUDNN
目前已经有一篇很详尽的帖子了，照着做就可以，不过提醒一下注意版本，以及安装的时候有些东西是不必安装的。
可以在本站搜索cuda和cudnn安装教程。
3、写代码
这里我们将做一个最最简单的案例进行测试，让刚入手的同学们体会一下建立神经网络的全流程。
就以：为例。
首先神经网络是不知道这个对应关系的，它只知道输入的x和对应的y。
3.1 数据集的制作
# 之前没有安装numpy，这里可能会报错，安装numpy就行。
# 也可能安装TensorFlow的时候就安装过了，不报错就行
import numpy
def make_data():
# 用于保存所有的x
x = []
# 用于保存所有的y
y = []
for i in range(10000):
# 将i作为自变量，添加到列表x的末尾
x.append(i)
# 将i ** 2 + 2 * i + 1作为输出，添加到列表y的末尾
y.append(i ** 2 + 2 * i + 1)
# 保存x和y，分别作为数据集的输入和输出，前面的字符串是保存文件的名字
numpy.save('x_data', x)
numpy.save('y_data', y)
# 运行完之后，文件夹内会多出来'x_data.npy'、'y_data.npy'两个文件
make_data()
3.2 神经网络模型
3.2.1 利用Sequential()函数搭建网络
实际上搭建神经网络的方法不止一种，这种方法是最简单的，但无法建立带有分支的模型，因此后续可能会出一篇带分支模型的建立方法。
注意事项：
1、维度相匹配，数据集输入的维度应当与第一层相匹配，模型内部相邻的两层维度应当相匹配。
2、最后一层的神经元数量应当与输出的数量一致。
简单来说如果期望的结果是[y1]，那么最后一层就是Dense(1)；
如果是[y1,y2]，那么最后一层就是Dense(2);
如果是[y1,y2,y3]，那么最后一层就是Dense(3)，以此类推。
我们最后只是输出一个浮点数，所以输出的Dense中的神经元只有1个。
神经网络有很多种，Dense表示全连接神经网络，实际上还有
卷积神经网络的Conv1D、Conv2D、MaxPooling1D；
RNN改进型网络的LSTM、GRU；
以及防止过拟合等功能的Dropout、BatchNormalization等layer。
像下列代码一样，将对应的layer放入Sequential()中即可完成模型的建立。
具体如何建立模型，可以参考相关课程，本文只关注快速实现。
from keras.models import Sequential
from keras.layers import Dense
model = Sequential([
# 包含两层全连接网络，第一层2个神经元，第二层1个神经元
Dense(2),
Dense(1)
])
3.2.2 使用fit()函数训练神经网络并保存
首先我们把刚才生成的x_data，y_data加载到对应的变量中。
之后使用compile()函数对训练过程进行配置：
loss=mean_squared_error 意为使用均方误差作为损失函数，还有其他的损失函数可选，包含在keras.losses中可以看一看。
optimizer='adam'表示选择优化器为adam。还有一些其他的优化器，不过adam最常用。
之后就是使用 fit() 函数对模型进行训练了，函数括号中前两个位置，也就是x_data，y_data，表示数据集的输入和输出。
shuffle=True 将数据集打乱。
validation_split=0.15 拿出数据集中的15%的数据作为测试集。
epochs=300 训练300轮。
batch_size=512 将512个数据划分为一组，一同喂入神经网络。
callbacks=[] 是回调函数，一般可用于断点续训，提前终止训练等，本案例不管。
最后model.save('model.h5')保存模型，字符串为保存模型的名字。
from keras.losses import mean_squared_error
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model.compile(loss=mean_squared_error, optimizer='adam')
history = model.fit(
x_data, y_data,
shuffle=True, validation_split=0.15,
epochs=300, batch_size=512,
callbacks=[])3.2.3 模型加载并通过predict()函数使用模型
这里没啥好说的，首先用load_model()函数加载模型h5文件，之后调用predict()函数直接预测就行。
不过这个输入维度需要注意一下，有时候需要reshape一下再使用。
from keras.models import load_model
# 加载模型
model = load_model('model.h5')
# 定义输入的数据
x1 = 0.4
# 输出结果，将结果保存到res。
# 这里一般需要注意数据的维度问题，所以包成了一个列表。
res = model.predict([x1])
# 打印预测值
print(res)
# 打印准确值
print(x1 ** 2 + 2 * x1 + 1)3.2.4 全部代码
# 文件1，运行后生成数据集的输入x_data.npy，与结果y_data.npy。
import random
import numpy
def make_data():
# 用于保存所有的x
x = []
# 用于保存所有的y
y = []
for i in range(1000):
# 将i作为自变量，添加到列表x的末尾
n = random.random()
x.append([n])
# 将i ** 2 + 2 * i + 1作为输出，添加到列表y的末尾
y.append(n ** 2 + 2 * n + 1)
# 保存x和y，分别作为数据集的输入和输出，前面的字符串是保存文件的名字
numpy.save('x_data', x)
numpy.save('y_data', y)
# 运行完之后，文件夹内会多出来'x_data.npy'、'y_data.npy'两个文件
make_data()
# 文件2，生成神经网络，配置并训练。
# 训练过程的损失函数保存在history中。
# 模型保存为model.h5文件
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.losses import mean_squared_error
model = Sequential([
Dense(1, activation=None),
Dense(2, activation=None),
Dense(1, activation=None)
])
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model.compile(loss=mean_squared_error, optimizer='adam')
history = model.fit(
x_data, y_data,
shuffle=True, validation_split=0.15,
epochs=1000, batch_size=512,
callbacks=[])
model.save('model.h5')
# 文件3，加载神经网络并使用
from keras.models import load_model
# 加载模型
model = load_model('model.h5')
# 定义输入的数据
x1 = 0.4
# 输出结果，将结果保存到res。
# 这里一般需要注意数据的维度问题，所以包成了一个列表。
res = model.predict([x1])
# 打印预测值
print(res)
# 打印准确值
print(x1 ** 2 + 2 * x1 + 1)
# 文件4，模型训练没收敛，重新加载模型并继续训练
import numpy as np
from keras.models import load_model
# 加载数据集及模型
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model = load_model('model.h5')
# 重新调用fit函数
history = model.fit(x_data, y_data, shuffle=True, validation_split=0.15, epochs=3000, batch_size=512, callbacks=[])
# 保存模型
model.save('model.h5')4、总结
安装部分占据了大部分篇幅，但实际上并没有那么难，所以不再总结。
使用部分其实就是
1、数据集制作
2、神经网络搭建 （简单网络用Sequential()函数即可）
3、训练神经网络 （用compile()函数即可）
4、使用神经网络 （用fit()函数即可）
5、神经网络的保存与加载。（用model.save()与load_model()即可）
所以使用框架搭建神经网络并训练使用是一件很套路化的东西，所以并不难，难点在于如何建立契合问题的数据集、建立适应问题并兼容数据集维度的模型。
1754
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
