用tensorflow2 tf.keras搭建简单神经网络

6步法
import
train,test
model=tf.keras.models.Sequential
model.compile
model.fit
model.summary

1、import 导入tensorflow的库。
2、train,test训练与预测数据。
3、model=tf.keras.models.Sequential逐层描述网络结构，且Sequential是具备前向传播的功能。sequential是个容器，中间封存了一个神经网络结构，sequential中要描述输入层到输出层每一层的网络结构。
4、model.compile中配置优化器与损失函数，填写评测指标。
5、model.fit 中执行训练过程告知训练集和测试集的输入特性和标签，告知每个batch是多少，需要迭代多少次数据集。
6、model.summary打印网络结构和参数统计。

重要概念
loss:自定义损失函数，标准答案的数据集与预测答案出的数据一种关系叫损失函数。

代码如下

import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np
from tensorflow.keras.utils import plot_model

x_train=datasets.load_iris().data
# print(x_train)
y_train=datasets.load_iris().target
# print(y_train)

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


class IrisModel(Model):
    # 继承tensorflow的Model类
    def __init__(self):
        # 定义网络结构块
        super(IrisModel,self).__init__()
        self.d1=Dense(3,activation='sigmoid',kernel_regularizer=tf.keras.regularizers.l2())
        # 鸢尾花分类的单层网络是含有三个神经元的全连接网络

    def call(self, x, training=None, mask=None):
        # 调用网络结构快，实现前向传播
        y=self.d1(x)
        return y

model=IrisModel()
# 实例化

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

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