TensorFlow模块简介

TensorFLow框架内构建了很多高层次的API，可以显著减少编写程序的代码量，其中包含众多网络结构相关函数和数据载入、数据处理的方法。

tf.data.Dataset

tf.data.Dataset是TensorFlow内置的数据输入模块，提供了专门用于数据输入的多种方法，可以高效地实现数据载入、数据增强和数据随机乱序等功能。例如，最简单的数据载入方法就是从列表中载入张量数据。

在虚拟环境的命令行中输入python，打开交互命令行，使用import tensorflow as tf 导入tensorFlow包，然后执行 tf.enable_eager_execution()方法开启TensorFlow的动态图模式，使用方法将列表 $1,2,3$ 按第一个维度转换为张量Tensor，代码和运行结果如下图所示：

python 复制代码

import tensorflow as tf
tf.enable_eager_execution()
dataset=tf.data.Dataset.from_tensor_slices([1,2,3])
for element in dataset:
	print(element)

tf.layers

tf.layers是TensorFlow内置的构建神经网络的模块，在TensorFlow2.x中被移除，其中封装了很多底层的函数和基本的神经网络结构，在熟悉TensorFlow底层后可以直接使用tf.layers提供的高级API实现各种复杂的建模任务，能够省去大量的代码。

Keras

Keras库是最常用的TensorFlow高级核心API，隐藏了数据流和底层结构的很多细节，其库中具有大量可直接使用的神经网络结构和常用模块。Keras的代码完全由Python编写，在使用TensorFlow作为其后端时，较好地兼容了TensorFLow底层的各种库函数和核心模块。对于常见的神经网络层，Keras均实现了完美的封装，简单易用，特别适合初学者构建深度学习模型。

1、导入库

python 复制代码

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D

2、序列构建神经网络模型

python 复制代码

#构建模型
model=Sequential()
#序列加入卷积层
model.add(Conv2D(...))
#序列加入池化层
model.add(MaxPooling2D(...))
#序列加入全连接层
model.add(Dense(...))
#序列加入随机失活
model.add(Dropout(...))