前言
Keras序列模型建模的一般步骤：
（1）创建一个Sequential模型；
（2）根据需要，通过“add()”方法在模型中添加所需要的神经网络层， 完成模型构建；
（3）编译模型，通过“compile()”定义模型的训练模式；
（4）训练模型，通过“fit()”方法进行训练模型；
（5）评估模型，通过“evaluate()”进行模型评估；
（6）应用模型，通过“predict()”进行模型预测
1、载入数据
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
print("Tensorflow版本是:",tf.__version__)
mnist = tf.keras.datasets.mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
2、 特征数据归一化
train_images = train_images / 255.0
test_images = test_images / 255.0
3、标签数据独热编码
train_labels_ohe = tf.one_hot(train_labels,depth=10).numpy()
test_labels_ohe = tf.one_hot(test_labels,depth=10).numpy()
4、新建一个序列模型
5、添加输入层 （平坦层，Flatten）
6、添加隐藏层（密集层，Dense）
model.add(tf.keras.layers.Dense(units=64,
kernel_initializer='normal',
activation='relu'))
model.add(tf.keras.layers.Dense(units=32,
kernel_initializer='normal',
activation='relu'))
7、添加输出层（还是密集层）
model.add(tf.keras.layers.Dense(10,activation='softmax'))
8、模型摘要
model.summary()
9、定义训练模式
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
tf.keras.Model.compile 接受 3 个重要的参数：
optimizer ：优化器，可从 tf.keras.optimizers 中选择；
loss ：损失函数，可从 tf.keras.losses 中选择；
metrics ：评估指标，可从 tf.keras.metrics 中选择。
10、设置训练参数
train_epochs=10
batch_size=30
11、模型训练
train_history=model.fit(train_images,train_labels_ohe,
validation_split=0.2,
epochs=train_epochs,
batch_size=batch_size,
verbose=2)
tf.keras.Model.fit()常见参数：
x ：训练数据；
y ：目标数据（数据标签）；
epochs ：将训练数据迭代多少遍；
batch_size ：批次的大小；
validation_data ：验证数据，可用于在训练过程中监控模型的性能。
verbose：训练过程的日志信息显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
12、训练过程指标数据
train_history.history
history是一个字典类型数据，包含了4个Key： loss、accuracy、val_loss和val_accuracy，分 别表示训练集上的损失、准确率和验证集上的损 失和准确率。 它们的值都是一个列表，记录了每个周期该指标 的具体数值。
13、训练过程指标可视化
import matplotlib.pyplot as plt
def show_train_history(train_history,train_metric,val_metric):
plt.plot(train_history.history[train_metric])
plt.plot(train_history.history[val_metric])
plt.title('Train History')
plt.ylabel(train_metric)
plt.xlabel('Epoch')
plt.legend(['train','validation'],loc='upper left')
plt.show()
show_train_history(train_history,'loss','val_loss')
show_train_history(train_history,'accuracy','val_accuracy')
14、评估模型
test_loss,test_acc=model.evaluate(test_images,test_labels_ohe,verbose=2)
15、模型的度量指标
yy=model.evaluate(test_images,test_labels_ohe,verbose=2)
yy
model.metrics_names
模型评估evaluate()的返回值是一个损失值的标量（如果没有指定其他度量指标）， 或者是一个列表（如果指定了其他度量指标）。
16、应用模型
test_pred=model.predict(test_images)
test_pred.shape
np.argmax(test_pred[0])
test_pred=model.predict_classes(test_images)
test_pred[0]
test_labels[0]
