#第一步，import import tensorflow as tf #导入模块 from sklearn import datasets #从sklearn中导入数据集 import numpy as np #导入科学计算模块 #import keras from tensorflow import keras #第二步，train, test x_train = datasets.load_iris().data #导入iris数据集的输入 y_train = datasets.load_iris().target #导入iris数据集的标签 np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照 np.random.shuffle(x_train) #使用shuffle()方法，让输入x_train乱序 np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照 np.random.shuffle(y_train) #使用shuffle()方法，让输入y_train乱序 tf.random.set_seed(120) #让tensorflow中的种子数设置为120 #第三步，models.Sequential() model = tf.keras.models.Sequential([ #使用models.Sequential()来搭建神经网络 tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全连接层，三个神经元，激活函数为softmax,使用l2正则化 ]) #第四步，model.compile() model.compile( #使用model.compile()方法来配置训练方法 optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1 loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函数 metrics = ['sparse_categorical_accuracy'] #标注网络评价指标 ) #第五步，model.fit() model.fit( #使用model.fit()方法来执行训练过程， x_train, y_train, #告知训练集的输入以及标签， batch_size = 32, #每一批batch的大小为32， epochs = 500, #迭代次数epochs为500 validation_split = 0.2, #从测试集中划分80%给训练集 validation_freq = 20 #测试的间隔次数为20 ) #第六步，model.summary() model.summary() #打印神经网络结构，统计参数数目