使用TensorFlow API：tf.keras 搭建神经网络
搭建神经网络六步法：
1.导入第三方库：import
2.导入并理解数据，划分训练集与测试集：train test
3.在Sequential()中搭建网络结构。逐层描述每层网络，相当于前向传播。：model=tf.keras.models.Sequential
4.在compile中配置训练方法。即选择哪种优化器，选择哪个损失函数，选择哪种评测指标。model.compile
5.在fit中进行训练。告知训练集和测试集的输入特征和标签。每个betch是多少，要迭代多少次数据集：model.fit
6.用model.summary打印出网络的结构和参数。
函数用法介绍
1.model=tf.keras.models.Sequential
Sequential 函数是一个容器，容器里封装了神经网络的网络结构，描述了在Sequential函数的输入参数从输入层到输出层的网络结构。
如：
拉直层：tf.keras.layers.Flatten()
拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层。
全连接层：tf.keras.layers.Dense( 神经元个数,activation=”激活函数”, kernel_regularizer=”正则化方式”)
其中：
activation（字符串给出）可选 relu、softmax、sigmoid、tanh 等，kernel_regularizer 可选 tf.keras.regularizers.l1()、
tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D( filter = 卷积核个数, kernel_size = 卷积核尺寸,
strides = 卷积步长,padding = “valid” or “same”)
LSTM 层：tf.keras.layers.LSTM()。
2.Model.compile
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。
Model.compile( optimizer = 优化器, loss = 损失函数, metrics = [“准确率”])
（1）optimizer 可以是字符串形式给出的优化器名字，也可以是函数形式，使用函数形式可以设置学习率、动量和超参数。
可选择有：
‘sgd’or tf.optimizers.SGD( lr=学习率,decay=学习率衰减率,momentum=动量参数)
‘adagrad’or tf.keras.optimizers.Adagrad(lr=学习率,decay=学习率衰减率)
‘adadelta’or tf.keras.optimizers.Adadelta(lr=学习率, decay=学习率衰减率)
‘adam’or tf.keras.optimizers.Adam (lr=学习率, decay=学习率衰减率)
（2） Loss 可以是字符串形式给出的损失函数的名字，也可以是函数形式。
可选项包括：
‘mse’or tf.keras.losses.MeanSquaredError()
‘sparse_categorical_crossentropy or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
损失函数常需要经过 softmax 等函数将输出转化为概率分布的形式。from_logits 则用来标注该损失函数是否需要转换为概率的形式，取 False 时表示转化为概率分布，取 True 时表示没有转化为概率分布，直接输出。
（3）Metrics 标注网络评测指标。
可选项包括：
‘accuracy’：y_和 y 都是数值，如 y_=[1] y=[1]。
‘categorical_accuracy’：y_和 y 都是以独热码和概率分布表示。
如 y_=[0, 1, 0], y=[0.256, 0.695, 0.048]。
‘sparse_ categorical_accuracy’：y_是以数值形式给出，y 是以独热码形式
给出。 如 y_=[1],y=[0.256, 0.695, 0.048]。
3.model.fit()
fit 函数用于执行训练过程。
——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)， validataion_split = 从测试集划分多少比例给训练集， validation_freq = 测试的 epoch 间隔次数)
4.model.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，对于输入为 4 输出为 3 的全连接网络，共有 15 个参数。