概述
tensorflow2.0发布已经一年多了，实在觉得tensorflow1.x比较难用，很多地方API混乱，对新手不太友好。但是感觉tf2.0版本的就很不错，融合了keras，相对来说比较容易上手。所以写下自学tf2.0的笔记。难免会有不足或是错误，李姐万岁。
实例
首先看一个简单的例子，实现一个分类任务，数据集是tf2.0中自带的fashion_minist。
首先导入必要的模块
import tensorflow as tf
import matplotlib as mpl
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
接下来加载数据集：
fashion_mnist = tf.keras.datasets.fashion_mnist
(x_train_all, y_train_all),(x_test, y_test) = fashion_mnist.load_data()
我们可以看一下数据集的情况
x_train_all[0]
因为是图像数据，所以出来的是一个二维数组。
（篇幅有限，就截一部分了）
我们知道像素值都是在0-255之间的数，这里我们需要把这些值归一到0-1之间，便于计算。
x_train_all = x_train_all / 255.0
x_test = x_test / 255.0
然后我们再来看看结果：
x_train_all[0]
像素值被压缩到0-1之间了。
然后我们将数据分一下，5000训练集，5000验证机，剩下10000作为测试集。
x_train, x_valid = x_train_all[5000:], x_train_all[:5000]
y_train, y_valid = y_train_all[5000:], y_train_all[:5000]
我们可以看看其中的数据是什么样子的。
现在我们把数据处理完了，接下来就要利用tf来构建模型了。
# 构建模型
model = tf.keras.models.Sequential() #相当于一个容器
model.add(tf.keras.layers.Flatten(input_shape=[28,28]))
model.add(tf.keras.layers.Dense(300, activation=tf.keras.activations.relu))
model.add(tf.keras.layers.Dense(100, activation=tf.keras.activations.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.keras.activations.softmax))
我们构建了model中的一个sequential容器，然后在容器中添加层就可以了。第一个层是flatten层（tf中层首字母都是大写），参数是输入的形状，我们首先把二维矩阵给打平，然后构建三个全连接层，也就是dense层，第一个参数就是神经元的个数，后面的参数有激活函数。这样一个简单的模型就搭建好了。搭建好模型后，我们需要编译模型。
# 模型编译
model.compile(
loss=tf.keras.losses.sparse_categorical_crossentropy,
optimizer=tf.keras.optimizers.SGD(lr=0.001),
metrics = ['accuracy']
)
编译模型用的是model中的compile函数，我们在里面确定loss是什么，还有优化器（以及学习率），metrics是评估模型的指标，这里我们使用准确率来评估。
接下来使用fit函数给模型一些训练相关的参数，训练集，验证集，epochs。这样模型才能开始训练。
history = model.fit(x_train, y_train, epochs = 5, validation_data=(x_valid, y_valid))
我们使用history可以查看5个epoch的loss和准确率这样的变化。
最后我们可以把损失跟准确率这样的参数画出来。
def plot_learing_show(history):
pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid(True)
plt.gca().set_ylim(0,1)
plt.show()
plot_learing_show(history)
最终我们可以看一下在测试集上进行预测的结果。
test_history = model.evaluate(x_test,y_test)
test_history
这样一个流程就走完了，tensorflow2.0还是相当简单的。
这就是我们使用sequential容器去构建一个线性模型的情况，我们可以看一下这个模型。
model.summary()
构建模型的其他方式
序列化构建第二种方式
与第一种构建方式非常类似，序列式构建还是使用sequential这个函数，在函数内部按顺序写入各个隐层。
model = keras.models.Sequential(
[
keras.layers.Flatten(input_shape=[28,28]),
keras.layers.Dense(256, activation=keras.activations.relu),
keras.layers.Dense(100, activation=keras.activations.relu),
keras.layers.Dense(10, activation=keras.activations.softmax)
]
)
效果是一样的：
第三种方式——函数式构建模型
函数式构建模型就是把上一层的结果当作下一层的输入，这种输入输出的形式就跟函数一样。
# 函数式构建 记住一句话：把层当做函数来使用
input = Input(shape=[28,28]) #输入
x = Flatten()(input) #把Flatten()当成函数f， 简化一下呢 x = f(input)
x = Dense(256, activation='relu')(x) #把Dense(256, activation='relu') 当成函数g 简化一下呢 x = g(x)
x = Dense(100, activation='relu')(x) #把Dense(100, activation='relu') 当成函数p 简化一下呢 p = p(x)
output = Dense(10, activation='softmax')(x) #把Dense(10, activation='softmax') 当成函数h 简化一下呢 h = h(x)
model = keras.Model(inputs = [input], outputs = [output]) #最后用keras.Model将input和output建立关系
第四种方式——子类化构建模型
子类化构建模型就是把模型当作一个类，继承keras.Model这个类，然后在__init__()属性中类似于序列式定义各个层，再定一个call方法，像函数式构建一样，将每个曾关联起来，最终返回输出。
这种方式构建模型非常灵活，要自己设计模型就需要用这种子类化的构建方式。
# 子类化方式构建
class MnistModel(keras.Model):
def __init__(self, **kwargs): # 类似序列式定义各个层次
super().__init__(**kwargs)
self.hidden_layer1 = Dense(units=256, activation='relu')
self.hidden_layer2 = Dense(units=100, activation='relu')
self.output_layer = Dense(units=10, activation='softmax')
def call(self, input): # 类似函数式，将每次之间的关系进行关联
x = Flatten()(input)
hidden_layer1 = self.hidden_layer1(x)
hidden_layer2 = self.hidden_layer2(hidden_layer1)
output = self.output_layer(hidden_layer2)
return output
model = MnistModel()
在我们这个小demo中，四种方式构建情况差不多，最终的效果也是差不多的。
