Tensorflow笔记——第三讲：神经网络搭建八股

本节课目标：分享神经网络的搭建八股，用“六步法”， 不到20行代码，写出手写数字识别训练模型。
使用TensorflowAPI：tf.keras搭建网络八股。tf.keras是tensorflow2引入的高封装度的框架，可以用于快速搭建神经网络模型，keras为支持快速实验而生，能够把想法迅速转换为结果，是深度学习框架之中最终易上手的一个，它提供了一致而简洁的API，能够极大地减少一般应用下的工作量，提高代码地封装程度和复用性。

3.1 搭建网络八股Sequential

第一步：import相关模块，如import tensorflow as tf。

第二步：指定输入网络的训练集和测试集，如指定训练集的输入x_train和标签y_train，测试集的输入x_test和标签y_test。

第三步：逐层搭建网络结构，model = tf.keras.models.Sequential()。

第四步：在model.compile()中配置训练方法，选择训练时使用的优化器、损失函数和最终评价指标。

第五步：在model.fit()中执行训练过程，告知训练集和测试集的输入值和标签、每个batch的大小（batchsize）和数据集的迭代次数（epoch）。

第六步：使用model.summary()打印网络结构，统计参数数目。

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

Sequential函数是一个容器，描述了神经网络的网络结构，在Sequential函数的输入参数中描述从输入层到输出层的网络结构。

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

Compile用于配置神经网络的训练方法，告知训练时使用的优化器、损失函数和准确率评测标准。

3.1.3 model.fit():

fit函数用于执行训练过程。

3.1.4model.summary():

summary函数用于打印网络结构和参数统计。

上图是model.summary()对鸢尾花分类网络的网络结构和参数统计，对于一个输入为4输出为3的全连接网络，共有15个参数。

接下来看一下使用着六步法，怎么实现鸢尾花分类：

# 一
import tensorflow as tf
from sklearn import datasets
import numpy as np

# 二
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)

# 三
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])

# 四
model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

# 五
model.fit(x_train, y_train, batch_size=32, epochs=