本文地址：https://www.cnblogs.com/tujia/p/13862357.html
系列文章：
【1】TensorFlow光速入门-tensorflow开发基本流程
【2】TensorFlow光速入门-数据预处理（得到数据集）
【4】TensorFlow光速入门-保存模型及加载模型并使用
【6】TensorFlow光速入门-python模型转换为tfjs模型并使用
一、导入需要的包
import tensorflow as tf from tensorflow import keras import numpy as np
二、初始化模型并配置神经网络层
model = keras.Sequential([ # 展平数据，输入类型要和数据集保持一致，我这里是100*100的灰图 keras.layers.Flatten(input_shape=(100, 100, 1)), # 第二层是神经元 keras.layers.Dense(128, activation='relu'), # 第三层的参数很重要，2表示分两类，如果要分5类就传5,10类就传10 keras.layers.Dense(2, activation='softmax') ])
注：如果是图片分类，这三层网络是固定搭配，需要注意的是，input_shape要和数据集数据保持一致，第三层分几类就传几；其他模型的层选择和配置，我们后面再慢慢了解
三、模型编译
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
注：同样，图片分类的优化器、损失函数及指标也是固定搭配，其他类型的模型我们后面再慢慢了解
四、训练
model.fit(ds, epochs=100, steps_per_epoch=10)
注1：ds 是上一节准备好的数据集；epochs 代表要训练多少次，steps_per_epoch 代表每一次分几步训练；因为我准备的数据比较少，所以设置的训练100次。数据多的话，不用训练那么多次。
注2：使用 ZipDataset 类型的数据集时，steps_per_epoch 参数为必填，其他情况，根据自己的情况可以不传。
五、评估（评估训练效果）
test_loss, test_acc = model.evaluate(ds, verbose=2, steps=10)
注1：正常情况下，训练要用训练集，评估要用测试集。因为偷懒的原故，这里我都用的同一个数据集。
注2：使用 ZipDataset 类型的数据集时，steps 参数为必填，其他情况，根据自己的情况可以不传。
六、预测
预测即使用的意思，评估通过的模型，可以直接使用了
predictions = model.predict(ds, steps=10) label = np.argmax(predictions[0]) print(label_names[label])
注：这里批量预测，对整个数据集都进行预测，正式使用的时候，一般只预测一张图片就可以了，下一节会说。
重点 Api ：
keras.Sequential https://tensorflow.google.cn/api_docs/python/tf/keras/Sequential
model.compile https://tensorflow.google.cn/api_docs/python/tf/keras/Sequential#compile
model.fit https://tensorflow.google.cn/api_docs/python/tf/keras/Model#fit
model.evaluate https://tensorflow.google.cn/api_docs/python/tf/keras/Model#evaluate
model.predict https://tensorflow.google.cn/api_docs/python/tf/keras/Model#predict
至此，我们的图片分类模型已经训练好了。可以使用了模型来做图片分类预测了。
下一节，让我们来说一下，怎么保存这个训练好的模型。以及如何加载已保存的模型并使用：
【4】TensorFlow光速入门-保存模型及加载模型并使用
本文链接：https://www.cnblogs.com/tujia/p/13862357.html
完。