tf.keras是TensorFlow 2.0的高阶API接口，为TensorFlow的代码提供了新的风格和设计模式，大大提升了TF代码的简洁性和复用性，官方也推荐使用tf.keras来进行模型设计和开发。

常用模块

tf.keras中常用模块如下表所示：

<模块

<概述

activations

激活函数

applications

预训练网络模块

Callbacks

在模型训练期间被调用

datasets

tf.keras数据集模块，包括boston_housing，cifar10，fashion_mnist，imdb ，mnist

layers

Keras层API

losses

各种损失函数

metircs

各种评价指标

models

模型创建模块，以及与模型相关的API

optimizers

优化方法

preprocessing

Keras数据的预处理模块

regularizers

正则化，L1,L2等

utils

辅助功能实现

常用方法

深度学习实现的主要流程：1.数据获取，2，数据处理，3.模型创建与训练，4 模型测试与评估，5.模型预测。

1.导入tf.keras

使用 tf.keras，首先需要在代码开始时导入tf.keras。

import tensorflow as tffrom tensorflow import keras

2.数据输入

对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大型数据集或者要进行跨设备训练时使用tf.data.datasets来进行数据输入。

3.模型构建

简单模型使用Sequential进行构建复杂模型使用函数式编程来构建自定义layers

4.训练与评估

配置训练过程：

# 配置优化方法，损失函数和评价指标model.compile(optimizer=tf.train.AdamOptimizer(0.001),              loss='categorical_crossentropy',              metrics=['accuracy'])

模型训练:

# 指明训练数据集，训练epoch,批次大小和验证集数据model.fit/fit_generator(dataset, epochs=10,                         batch_size=3,          validation_data=val_dataset,          )

模型评估：

# 指明评估数据集和批次大小model.evaluate(x, y, batch_size=32)

模型预测：

# 对新的样本进行预测model.predict(x, batch_size=32)

5.回调函数(callbacks)

回调函数用在模型训练过程中，来控制模型训练行为，可以自定义回调函数，也可使用tf.keras.callbacks 内置的 callback ：

ModelCheckpoint：定期保存 checkpoints。 LearningRateScheduler：动态改变学习速率。 EarlyStopping：当验证集上的性能不再提高时，终止训练。 TensorBoard：使用 TensorBoard 监测模型的状态。

6.模型的保存和恢复

只保存参数:

# 只保存模型的权重model.save_weights('./my_model')# 加载模型的权重model.load_weights('my_model')

保存整个模型:

# 保存模型架构与权重在h5文件中model.save('my_model.h5')# 加载模型：包括架构和对应的权重model = keras.models.load_model('my_model.h5')