【AI算法推荐】：tensorflow2.0建模教程系列产品
【AI算法推荐】：tensorflow2.0建模教程系列产品
【阅读推荐】
在tensorflow2.0模型系列产品实例教程中，前四节人们用编码演译了：
系列产品1：怎样用tf2.0开展自定层互联网的布置（add.weight）
系列产品2：怎样用tf2.0开展自定实体模型的布置（Model）
系列产品3：怎样用tf2.0保持loss涵数和主要参数调优（loss gradient optimizer）
系列产品4：.怎样用tf2.0保持损失函数正则化，处理实体模型过拟合难题
前边几章节目录，人们重中之重学了怎样用tensorflow2.0进行自定层和互联网实体模型的布置。从这节起，将领着大伙儿把握tf2.0方便快捷的建模工具API——tensorflow.keras 。
Keras 是1个用以搭建和训炼深度神经网络实体模型的进阶 API。它可用以迅速布置原形、高級科学研究和生产制造。相对性于自定布置层和互联网，应用tf.keras 更为方便快捷，专业化，便于拓展。普遍的LSTM/RNN/Conv2D等神经元网络都包括在 keras.layer 中。
《一 根据keras的简单网络设计模型》
keras.sequential()层互联网的层叠，keras.Sequential实体模型
model = tf.keras.Sequential()
model.add(layers.Dense(32, activation=‘relu’))
model.add(layers.Dense(32, activation=‘relu’))
model.add(layers.Dense(10, activation=‘softmax’))
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.sparse_categorical_crossentropy,
metrics=[tf.keras.metrics.categorical_accuracy])
注释：
1.在其中Sequential（） 用以创建编码序列实体模型
2.Dense 层为全连接层，设置32个神经细胞。
3.activation设定层的激话涵数，激话涵数通常应用 relu。避免在主要参数调优测算全过程中梯度方向消退。
4.最后全连接层是预测分析用的，激话涵数应用 softmax，获得对每个类型预测分析的几率。
5.提升器挑选 Adam 提升器.
《二 根据keras搭建实体模型的高級涵数API》
tf.keras.Sequential 实体模型是层的简易层叠，人们可以应用 Keras 涵数式 API 搭建繁杂的实体模型：
model = tf.keras.Model(inputs=input_x, outputs=pred)
1最先界定键入张量，假如是照片统计数据28*28，能够应用layers.flatten（28，28）进行清晰度。
2.定义互联网实体模型等级涵数，每一层层布置界定清晰后做为下层启用的张量，具有涵数迭代更新的功效。
3.最后融合键入张量和輸出张量，明确出tf.keras.Model 案例。
4.训炼方法和 Sequential 实体模型相同，model.fit（）方式
input_x = tf.keras.Input(shape=(328,))
hidden1 = layers.Dense(32, activation=‘relu’)(input_x)
hidden2 = layers.Dense(16, activation=‘relu’)(hidden1)
pred = layers.Dense(10, activation=‘softmax’)(hidden2)
model = tf.keras.Model(inputs=input_x, outputs=pred)
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=[‘accuracy’])
model.fit(train_x, train_y, batch_size=32, epochs=5)
http://caishendaka.cn/index.php?upcache=1
或许Keras也有这种界定model极其简约的方法，编码实例给出：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation=‘relu’),
tf.keras.layers.Dropout(0.3),
tf.keras.layers.Dense(10, activation=‘softmax’)
])
model.compile(optimizer=‘adam’,
loss=‘sparse_categorical_crossentropy’,
metrics=[‘accuracy’])
return model