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-alpha2、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 ipykernelsudo 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 tffrom tensorflow.keras import layers
print(tf.__version__)print(tf.keras.__version__)输出为：
2.0.0-alpha02.2.4-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 pltplt.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 pltplt.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 pltplt.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。
