tf2.0使用tf.keras API 构建神经网络(基础)

tf2.0推荐的模型搭建方法是：

1. 继承tf.keras.Model类，进行扩展以定义自己的新模型。
2. 手工编写模型训练、评估模型的流程。

    （优点：灵活度高；与其他深度学习框架共通）

以CNN示例

<>

1. class CNN(tf.keras.Model):
2. def __init__(self):
3. super().__init__()
4. self.conv1 = tf.keras.layers.Conv2D(
5. filters=32, # 卷积层神经元（卷积核）数目
6. kernel_size=[5, 5], # 感受野大小
7. padding='same', # padding策略（vaild 或 same）
8. activation=tf.nn.relu # 激活函数
9. )
10. self.pool1 = tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2)
11. self.conv2 = tf.keras.layers.Conv2D(
12. filters=64,
13. kernel_size=[5, 5],
14. padding='same',
15. activation=tf.nn.relu
16. )
17. self.pool2 = tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2)
18. self.flatten = tf.keras.layers.Reshape(target_shape=(7 * 7 * 64,))
19. self.dense1 = tf.keras.layers.Dense(units=1024, activation=tf.nn.relu)
20. self.dense2 = tf.keras.layers.Dense(units=10)
22. def call(self, inputs):
23. x = self.conv1(inputs) # [batch_size, 28, 28, 32]
24. x = self.pool1(x) # [batch_size, 14, 14, 32]
25. x = self.conv2(x) # [batch_size, 14, 14, 64]
26. x = self.pool2(x) # [batch_size, 7, 7, 64]
27. x = self.flatten(x) # [batch_size, 7 * 7 * 64]
28. x = self.dense1(x) # [batch_size, 1024]
29. x = self.dense2(x) # [batch_size, 10]
30. output = tf.nn.softmax(x)
31. return output