1.前 言
之前习惯了TensorFlow，也没怎么用keras。现在升级2.0版本后，语法习惯还是有很大差别，封装的更厉害。事物总是向前发展的，技术更是快，想想还是的保持一颗学习的心，准备计划系统的学习下TensorFlow2.0，边学边写。那就从mnist入门开始，后续不断更新。
2.数据载入
#引入包，在调用通用的cnn，rnn等模型在都keras.layers下
import tensorflow as tf
from tensorflow.keras import layers
# Load mnist data
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# Normalize data，将图像的像素值都处理到[0,1]范围
x_train = x_train.reshape(-1, 28,28,1).astype('float32') / 255
x_test = x_test.reshape(-1, 28,28,1).astype('float32') / 255
3.模型构建
# Add model
model = tf.keras.Sequential()
# Add three convoluational layers and pool layers，使用3层卷积层和对应的最大池化层，卷积核为3，池化大小为2
#convoluational layer1
model.add(layers.Conv2D(input_shape=(28,28,1),filters=32,kernel_size=(3,3),kernel_initializer='he_normal',
strides=1,padding='same',activation='relu',name='conv1'))
#maxpooling layer1
model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool1'))
#convoluational layer2
model.add(layers.Conv2D(filters=64,kernel_size=(3,3),kernel_initializer='he_normal',
strides=1,padding='same',activation='relu',name='conv2'))
#maxpooling layer2
model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool2'))
#convoluational layer3
model.add(layers.Conv2D(filters=128,kernel_size=(3,3),kernel_initializer='he_normal',
strides=1,padding='same',activation='relu',name='conv3'))
#maxpooling layer3
model.add(layers.MaxPool2D(pool_size=(2,2),strides=1,padding='same',name='pool3'))
#Add flatten ,dropout ,and FC layer，卷积池化后加一个Flatten层，然后加一个dropout，最后加一个softmax进行分类；
model.add(layers.Flatten(name='flatten'))
model.add(layers.Dropout(rate=0.5,name='dropout'))
model.add(layers.Dense(10,activation='softmax'))
4.模型编译
# Compile model 使用交叉熵，RMSprop优化方法，评价方法按accuracy
model.compile(loss='sparse_categorical_crossentropy',optimizer=tf.keras.optimizers.RMSprop(),metrics=['accuracy'])
print(model.summary())
通过model.summary()可以看到上述构建模型的概貌，以及每层的参数情况；
5.模型训练
#fit model，使用fit函数就可以进行模型训练，参数需要输入训练数据，训练epoch和batch_size, 其实还有其他参数，不指定就按默认的
model.fit(x_train,y_train,epochs=5,batch_size=64)
训练5轮，最后显示在训练集上准确率为99.3%左右，差不多跟最优的结果很近。
6.模型测试
#evaluate data, 使用model.evaluate函数就可以进行模型测试
model.evaluate(x_test,y_test)
测试的结果为98.84%
7.结 语
对比之前的版本，在使用TensorFlow2.0感觉就是很多步骤都用一个函数代替了，这样好处就是不用去懂里面实现的细节，只管模型能跑出结果就行；不好就是抛弃对更深层细节的理解，内心觉得之前session方式挺好的....，没办法，谁叫东西是人家的，只能跟着人家的脚步走~。
参考：
https://www.tensorflow.org/api_docs/python/tf
https://zhuanlan.zhihu.com/p/58825710
