虽然Pytorch在论文中使用较多，但是像Alphafold在蛋白质结构预测的模型，仍然是用Tensorflow写成，遂近期在学其中的语法。
本系列来自慕课北大软微曹健老师的Tensorflow笔记，摘选其中重要部分。
1.导包
2.定义训练集测试集和数据表示。
3.用Sequential将模型的层整合起来，也就是定义模型全部层。
拉直层Flatten不改变参数，只是特征的形状转化，变成一维。
此时注意，Sequential方法不能搭建有跳连结构的，需要使用类方法，创建模型类，如下：
类方法中的Model指的是继承Tensorflow中的model类。
Dense（）为全连接层，即其中的D1块是一个3层的全连接网络，创建类在Tensorflow中的风格一样。
4.在compile中指定优化器，损失函数和评测指标。
可以选用字符串形式或者函数形式。
其中，from_logits如果等于False指的是输出结果经过概率分布的处理。
5.在fit中进行训练过程，告知训练过程：测试集/训练集的输入特征、标签，batch、迭代次数。
6.用summary打印出参数统计和网络结果。
以上六步操作是使用Tensorflow进行网络搭建的提纲
给出的一个鸢尾花分类六部法：
后者是创建类的模型，一般后者肯定更常用，复杂的模型不能一定的不可能全是前向神经网络。
觉得有用的话，欢迎给个一键三连哦，关注无神一起学AI！