tensorflow2.0搭建神经网络实例代码

在TensorFlow 2.0中，搭建神经网络的一个简单实例通常涉及以下几个步骤：

首先，你需要安装TensorFlow库，如果还没有的话，可以使用以下命令：

pip install tensorflow

然后，你可以开始创建一个基本的全连接层（Dense Layer）神经网络模型。这里是一个简单的多层感知机（Multilayer Perceptron, MLP）的示例：

import tensorflow as tf
from tensorflow.keras import layers

# 定义超参数
input_dim = 784  # 输入维度，例如对于MNIST数据集，每个像素为1
hidden_units = [512, 256]  # 隐藏层神经元的数量
output_dim = 10  # 输出类别数，如MNIST有10个数字

# 创建模型
model = tf.keras.Sequential([
    layers.Dense(hidden_units[0], activation='relu', input_shape=(input_dim,)),  # 第一层隐藏层
    layers.Dense(hidden_units[1], activation='relu'),  # 后续隐藏层
    layers.Dense(output_dim, activation='softmax')  # 输出层，用于分类
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 示例输入数据
example_input = tf.random.uniform((1, input_dim))

# 打印模型概况
model.summary()

在这个例子中，我们使用了ReLU激活函数和Adam优化器，并设置了交叉熵损失。`summary()`方法展示了模型的结构。

如果你想训练这个模型，还需要准备训练数据，比如加载MNIST数据集：

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 归一化
x_train, x_test = x_train / 255.0, x_test / 255.0

# 将图像数据调整为适合神经网络的形状
x_train = x_train.reshape(-1, input_dim)
x_test = x_test.reshape(-1, input_dim)

# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))