六步法利用tensorflow搭建神经网络八股

1.准备工作

Ⅰ.已安装python3环境的电脑

博主这里安装的是3.8.10

Ⅱ.python开发ide（如pycharm、jupyter notebook等）

博主这里使用pycharm做演示
创建项目时记得选择这个选项（第一次需要指定你电脑上python安装的目录）
这选项的作用就是使用电脑上已存在的python环境，不然每个项目都会创建一个独立的虚拟环境。

Ⅲ.在python环境中安装tensorflow2.x库

左上角File->Setting->Project:(项目名)->Python Interpreter->点击+号->搜索tensorflow->等待安装完成。

1.正式开发

Ⅰ.import

这部分导入要使用到的工具包，从tensorflow中导入keras。

from tensorflow import keras

Ⅱ.train test

这部分加载tensorflow中内置的mnist数据集，并将训练集像素值（0~255 范围内）缩放到[0，1]区间内 ，减少训练计算量。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0

Ⅲ.model = tf.keras.models.Sequential()

这部分利用Sequential()函数，搭建网络结构，最后一个全连接第一个参数对应分类数。

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

Ⅳ.model.compile()

这部分利用compile()函数， 设置神经网络的优化器、损失函数、和准确率的数值类型。

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

Ⅴ.model.fit()

这部分利用fit()函数， 将训练集喂入神经网络，设定epochs和batch_size参数， 指定验证集和验证频率

model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test), validation_freq=1)

Ⅵ.model.summary()

这部分利用summary()函数， 将训练过程可视化，效果如下

3.完整代码

import tensorflow as tf

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

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

model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test), validation_freq=1)

model.summary()