六步法：
一.import? ?
導入各種庫，比如：
import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model
import numpy as np
import pandas as pd
# 可能還會根據需求導入其他庫，如用于數據可視化的 matplotlib 等
import matplotlib.pyplot as plt二.train,test
準備訓練數據和測試數據,比如：
# 以 MNIST 數據集為例
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()# 數據預處理
x_train, x_test = x_train / 255.0, x_test / 255.0? 首先，從相應的數據集中加載數據，如這里使用 mnist.load_data() 加載 MNIST 手寫數字數據集，得到訓練集的特征 x_train 和標簽 y_train，以及測試集的特征 x_test 和標簽 y_test。然后，對數據進行預處理，常見的預處理操作包括歸一化、標準化等。在上述代碼中，將圖像像素值除以 255，將其縮放到 0 到 1 的范圍，這有助于模型的訓練和收斂。
三.model=tf.keras.models.Sequential
構建模型架構，比如：
model = tf.keras.models.Sequential([Flatten(input_shape=(28, 28)),Dense(128, activation='relu'),Dense(10, activation='softmax')
])四.model.compile
配置模型訓練過程，比如：
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])這一步用于配置模型的訓練過程，主要設置三個重要參數：
optimizer：優化器，用于調整模型的參數以最小化損失函數。adam 是一種常用的優化器，它結合了 AdaGrad 和 RMSProp 的優點，具有自適應學習率的能力。
loss：損失函數，用于衡量模型預測結果與真實標簽之間的差異。其中sparse_categorical_crossentropy 適用于標簽為整數編碼的多分類問題。
metrics：評估指標，用于在訓練和測試過程中監控模型的性能。accuracy 表示準確率，即模型預測正確的樣本數占總樣本數的比例。
五,model.fit
進行模型訓練，使用訓練模型進行迭代訓練。
model.fit(x_train, y_train, epochs=5)六,model.summary
這一步用于打印模型的結構信息，包括每一層的名稱、輸出形狀和參數數量等。通過查看?model.summary()?的輸出，你可以了解模型的整體架構和參數規模，幫助你檢查模型是否符合預期，以及評估模型的復雜度。
model.summary()各自的使用方法：
Flatten只是把數值特征拉成一維數組
Dense全連接
后面是卷積神經網絡層和循環神經網絡層
compile配置訓練方法。
validation_data和validation_split二選一，進行訓練。
validation_freq 多少輪訓練后用測試集測試一次。
model.summary()打印出統計結果，其中可以看到，總共的參數15個，可訓練參數15個，不可訓練參數0個。
以下是用六步法搭建鳶尾花分類。
import tensorflow as tf
from sklearn import datasets
import numpy as npx_train = datasets.load_iris().data
y_train = datasets.load_iris().targetnp.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)model = tf.keras.models.Sequential([tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)model.summary()
首先import,然后兩個train交代訓練集和測試集。
np到tf這幾個random用于打亂數據集設置。
model中設置網絡結構。3指的是神經元個數是3，activation選用激活函數，最后是選用正則化方法。
complie中配置訓練方法，SGD優化器，學習率0.1，選用SparseCategoricalCrossentropy當做損失函數，由于神經末端使用softmax函數，輸出不是原始分布，所以logits=False。
鳶尾花數據集給的是0,1,2是數值，神經網絡前向輸出是概率分布，選擇sparse_categorical_accuracy作為測評指標。
fit中執行訓練過程，分別是 輸入特征，訓練集標簽，訓練時一次喂給神經網絡多少組數據batch_size，循環迭代次數，validation_split=0.2告知從訓練集中選擇百分之20數據當做測試集，validation_freq=20，表示迭代20次，在測試集中驗證一次準確率。
運行結果：
可見，打印出了網絡結構和參數統計。
