群里的小伙伴们都说TF2.0挺不错的，方便了很多，今天咱也先简单学习一波。
先推荐一个教程：https://zhuanlan.zhihu.com/c_1091021863043624960
TensorFlow 2.0 使用 Keras 作为开发者的核心体验。今天体验了一把，确实挺不错的，那么今天就手把手来教学如何通过TF2.0 + Keras构建一个简单神经网络。
1、安装TF2.0虚拟环境
首先，我们要在电脑里装一个tf2.0的虚拟环境（我的电脑是mac，windows和linux类似）。这里使用anaconda的命令：
conda create --name tf2 python=3.6
注意，后面的python版本最好带上，否则什么库都不给你装。这样，在anaconda的envs路径下，就多了一个tf2的虚拟环境，我们可以使用activate命令激活它：
source activate tf2
也可以使用deactivate来退出环境：
source deactivate tf2
接下来，安装tensorflow的环境，我们首先使用清华源：
sudo pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
然后，安装tf2.0：
sudo pip install tensorflow==2.0.0-alpha
2、创建Jupyter环境
安装了tf2.0的环境还不够，我们还需要把它作为一个kernel加入到jupyter环境中，执行下面两步：
conda install notebook ipykernel
sudo python -m ipykernel install --name tf2
接下来，使用jupyter notebook命令启动ipython。环境切换到tf2：
接下来，我们导入tf和keras，看看版本对不对：
import tensorflow as tf
from tensorflow.keras import layers
print(tf.__version__)
print(tf.keras.__version__)
输出为：
2.0.0-alpha0
2.2.4-tf
哈哈，我们的环境算是安装成功了！接下来，我们这里介绍两种建立神经网络的方式，分别是使用tf.keras.Sequential和使用 Keras 函数式 API创建神经网络。
3、使用tf.keras.Sequential创建神经网络
导入数据
这里，我们下载mnist数据集：
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape([x_train.shape[0], -1])
x_test = x_test.reshape([x_test.shape[0], -1])
print(x_train.shape, ' ', y_train.shape)
print(x_test.shape, ' ', y_test.shape)
print(x_train.dtype)
结果为
(60000, 784) (60000,)
(10000, 784) (10000,)
uint8
创建神经网络结构
随后，我们使用tf.keras.Sequential创建神经网络，有两种使用方式：
方式1
model = tf.keras.Sequential()
model.add(layers.Dense(64,activation='relu',input_shape=(784,)))
model.add(layers.Dense(32,activation='relu',kernel_initializer=tf.keras.initializers.glorot_normal))
model.add(layers.Dense(32,activation='relu',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
model.add(layers.Dense(10,activation='softmax'))
方式2
model = tf.keras.Sequential([
layers.Dense(64, activation='relu', kernel_initializer='he_normal', input_shape=(784,)),
layers.Dense(64, activation='relu', kernel_initializer='he_normal'),
layers.Dense(64, activation='relu', kernel_initializer='he_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)),
layers.Dense(10, activation='softmax')
])
compile函数
complie函数，主要是来编译我们的模型，代码如下：
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
可以看到，我们这里主要提供了三个函数，第一个是使用的优化器optimizer；第二个是模型的损失函数，这里使用的是sparse_categorical_crossentropy，当然也可以写成loss=tf.keras.losses.SparseCategoricalCrossentropy()，但是！但是！后一种写法，在使用save方法保存和加载模型的时候，是会报错的，所以推荐使用字符串的写法；第三个参数是模型评估的方式，这里我们使用正确率来评估模型，当然也可以添加更多。
可以通过model.summary()来查看构建的模型：
使用fit函数训练模型
接下来，使用fit函数训练模型
history = model.fit(x_train, y_train, batch_size=256, epochs=100, validation_split=0.3, verbose=0)
这里，我们加入了验证集，batch_size设置为256，并用history来保存了结果。
绘制accuracy曲线
来看看history里面都有什么把，运行history.__dict__。有一个关键的key是history，保留了每一步的loss、accuracy、val_loss、val_accuracy。我们直接可以使用history.history['accuracy']来访问每一步训练集的准确率，因此我们可以简单的将其绘制成图：
import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'validation'], loc='upper left')
plt.show()
要注意的是，之所以会有accuracy，是因为在compile函数中加入了metrics=['accuracy']，之所以会有val_loss和val_accuracy，是因为我们在fit函数中加入了validation_split=0.3。
使用evaluate进行模型的评测
最后，使用evaluate进行模型的评测：
results = model.evaluate(x_test,y_test)
结果如下：
4、使用Keras 函数式 API创建神经网络
使用tf.keras.Sequential是层的简单堆叠，无法表示任意模型，如具有非序列数据流的模型（例如，残差连接）。而使用Keras 函数式 API则可以。在使用Keras 函数式 API时，层实例可调用并返回张量。 而输入张量和输出张量用于定义 tf.keras.Model 实例。
构建模型
input_x = tf.keras.Input(shape=(784,))
hidden1 = layers.Dense(64, activation='relu', kernel_initializer='he_normal')(input_x)
hidden2 = layers.Dense(64, activation='relu', kernel_initializer='he_normal')(hidden1)
hidden3 = layers.Dense(64, activation='relu', kernel_initializer='he_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01))(hidden2)
output = layers.Dense(10, activation='softmax')(hidden3)
model2 = tf.keras.Model(inputs = input_x,outputs = output)
模型训练
后面的过程就跟前面一样了，不再赘述，直接上代码：
model2.compile(optimizer=tf.keras.optimizers.Adam(0.001),
#loss=tf.keras.losses.SparseCategoricalCrossentropy(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
history = model2.fit(x_train, y_train, batch_size=256, epochs=100, validation_split=0.3, verbose=0)
import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'validation'], loc='upper left')
plt.show()
5、模型的保存和加载
使用save和tf.keras.models.load_model保存和加载模型：
model.save('model.h5')
model1 = tf.keras.models.load_model('model.h5')
results = model1.evaluate(x_test,y_test)
6、添加BN和Dropout
接下来，我们构建一个更复杂的网络，在里面加入BN和Dropout：
model4 = tf.keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(784,)),
layers.BatchNormalization(),
layers.Dropout(0.2),
layers.Dense(64, activation='relu'),
layers.BatchNormalization(),
layers.Dropout(0.2),
layers.Dense(64, activation='relu'),
layers.BatchNormalization(),
layers.Dropout(0.2),
layers.Dense(10, activation='softmax')
])
model4.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model4.compile(optimizer=tf.keras.optimizers.Adam(0.001),
#loss=tf.keras.losses.SparseCategoricalCrossentropy(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
history = model4.fit(x_train, y_train, batch_size=256, epochs=100, validation_split=0.3, verbose=0)
import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'validation'], loc='upper left')
plt.show()
这个添加BN和Dropout的方式真的是太简单了。。写到这里，我有点拿不准了，先BN还是先Dropout呢？再进一步，Relu、BN和Dropout的顺序是怎样的呢？
7、思考-先BN还是先Relu？
在想这个问题之前，我一直认为的顺序是Relu->BN->Dropout，Dropout的顺序是最后一个应该是没有疑问的，关键是Relu和BN的顺序。更扩展点，是BN和非线性激活函数的关系。
关于这个问题，论文中给出的是先BN，后面接非线性激活函数。但实际中，也有人主张先非线性激活函数，再是BN。关于这个，大家可以看一下知乎的帖子：https://www.zhihu.com/question/283715823。
实际应用中，还是都试试吧，哈哈！
最后，说一下交流群的进群方式：关注微信公众号，“小小挖掘机”，后台回复“进群”即可。
