深度学习编程笔记：Tensorflow2.1基础知识---搭建神经网络八股以及小案例实战

利用Tensorflow API tf.keras搭建网络八股(六步法)

六步法：

1. 导入相关的模块，也就是 import
2. 加载训练集和测试集，也就是加载train（x_train数据、y_train标签）、test（x_test数据、y_test标签）数据
3. 前向传播（搭建神经网络结构，逐层描述每层网络），也就是model = tf.keras.models.Sequential
4. 配置训练时所用的方法（也就是优化器，损失函数，评测指标的选择），也就是model.compile
5. 进行数据的训练（告诉训练集和测试集的输入特征和标签，batch的值，以及迭代多少次数据集），也即是model.fit
6. 利用summary（）函数打印出网络的结构和参数统计

对上述用到的tf.keras模块中的函数进行进一步的介绍

1. model = tf.keras.models.Sequential([网络结构]) #描述各层网络
   网络结构举例：
   1. 拉直层：tf.keras.layers.Flatten()
   2. 全连接层：tf.keras.layers.Dense(神经元个数，activation=“激活函数”，kernel_regularizer=“正则化函数”)
      activation可选的字符串：“relu”、“softmax”、“sigmoid”、“tanh”
      kernel_regularizer可选：tf.keras.regularizers.l1()、tf.keras.regularizers.l2()
   3. 卷积层：tf.keras.layers.Conv2D（filters = 卷积核个数，kernel_size = 卷积核尺寸，strides = 卷积步长，padding = “valid”or“same”）
   4. LSTM层：tf.keras.layers.LSTM()
2. model.compile(optimizer=优化器，loss=损失函数，metrics=[“准确率”])
   1. Optimizer可选：
      i. ‘sgd’ or tf.keras.optimizers.SGD(lr=学习率,momentum=动量参数)
      ii. 'adagrad’or tf.keras.optimizers.Adagrad(lr=学习率)
      iii. 'adadelta’or tf.keras.optimizers.Adadelta(lr=学习率)
      iv. 'adam’or tf.keras.optimizers.Adam(lr=学习率,beta_1=0.9,beta_1=0.999)
   2. loss可选：
      i. ‘mse’ or tf.keras.losses.MeanSquaredError()
      ii. ‘sparse_categorical_crossentropy’ or tf.keras.losses.SparseCategoricalCrossentropy(from_logots=False)
   3. Metrics可选：
      i. ‘accuracy’:y_和y都是数值，如y_=[1] y=[1]
      ii. ‘categorical_accuracy’:y_和y都是独热码（概率分布）,如y_=[0,1,0] y=[0.256,0.695,0.048]
      iii. ‘sparse_categorical_accuracy’:y_是数值，y是独热码（概率分布）,y_=[1] y=[0.256,0.695,0.048]
3. model.fit(训练集的输入特征，训练集的标签，batch_size=，epochs=，validation_data=(测试集的输入特征，测试集的标签)，validation_split=从训练集划分多少比例给测试集，validation_freq=多少次epoch测试一次)
4. model.summary() 打印出网络的结构和参数统计

案例

案例1：利用tf.keras实现鸢尾花分类

import tensorflow as tf
from sklearn import datasets
import numpy as np

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)

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3