一、如何构建以上网络的输入层、隐藏层、输出层，使用哪些函数，函数语法规则怎样？

1、输入层：tf.keras.Input()函数

tf.keras.Input( shape=None, batch_size=None, name=None, dtype=None, sparse=False, tensor=None, ragged=False, **kwargs )

参数说明：

shape：输入的形状，不包含批量大小维度。比如 (32, 32, 3) 可用于代表 32x32 像素且有 3 个颜色通道的图像输入。
batch_size：可选参数，指批量大小的整数。一般默认是 None，表示批量大小可变。
name：可选参数，该输入层的名称，为字符串类型。
dtype：输入数据的数据类型，例如 tf.float32。
sparse：布尔值，若为 True，表示输入数据是稀疏张量。
tensor：可选参数，若指定，该层将使用这个张量作为输入，而非创建新的占位符张量。
ragged：布尔值，若为 True，表明输入是不规则张量。

2、隐藏层：用于构建全连接层的函数tf.keras.layers.Dense()函数

tf.keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, **kwargs)

参数说明：

units: 神经元个数；
activation: 激活函数；
use_bias: 是否使用偏置项。默认为使用；
kernel_initializer: 创建层权重核的初始化方案；
bias_initializer: 创建层权重偏置的初始化方案；
kernel_regularizer: 应用层权重核的正则化方案；
bias_regularizer: 应用层权重偏置的正则化方案；
activity_regularizer：施加在输出上的正则项，为Regularizer对象；
kernel_constraint: 施加在权重上的约束项；
bias_constraint: 施加在权重上的约束项。

3、输出层：可以根据实际应用场景，使用tf.keras.layers.Dense()函数灵活构建输出层

输出层会根据解决的任务类型灵活设置。

例 : 构建如下网络+

代码如下：

import tensorflow as tf
# 定义输入层，仅接受原始数据，不做函数处理
inputs = tf.keras.Input(shape=(4,))
# 第一个隐藏层，包含5个神经元，使用ReLU激活函数，Dense 表示全连接层
hidden_layer_1 = tf.keras.layers.Dense(5, activation='relu')(inputs)
# 第二个隐藏层，包含3个神经元，使用ReLU激活函数
hidden_layer_2 = tf.keras.layers.Dense(3, activation='relu')(hidden_layer_1)
# 输出层，包含1个神经元，不使用激活函数（适用于回归任务）
outputs = tf.keras.layers.Dense(1)(hidden_layer_2)
# 创建模型，将前面定义的输入层和输出层关联起来，构建完整的神经网络模型
model = tf.keras.Model(inputs=inputs, outputs=outputs)

4、构建Sequential网络

将输入层、隐藏层、输出层按需等添加进Sequential容器，Sequential模型的核心操作是添加layers（图层），是简单的线性、从头到尾的顺序结构。

Sequential模型的基本组件有5个部分：model.add()、model.compile()、model.fit()、model.evaluate()、model.predict()。

如构建以上图片中的网络结构，代码如下：

import tensorflow as tf

# 使用Sequential模型
model = tf.keras.Sequential([
    # 输入层，指定输入形状为4
    tf.keras.layers.InputLayer(input_shape=(4,)),
    # 第一个隐藏层，5个神经元，ReLU激活函数
    tf.keras.layers.Dense(5, activation='relu'),
    # 第二个隐藏层，3个神经元，ReLU激活函数
    tf.keras.layers.Dense(3, activation='relu'),
    # 输出层，1个神经元（回归任务无激活函数）
    tf.keras.layers.Dense(1)
])

构建Sequential网络过程中可以添加的图层：

卷积层
model.add(Conv2D(64, (3, 3), activation='relu'))

最大池化层
model.add(MaxPooling2D(pool_size=(4, 4)))

全连接层
model.add(Dense(4, activation='relu'))

dropout
model.add(Dropout(0.5))

Flattening layer(展平层)
model.add(Flatten())

参考：

理解keras中的sequential模型-CSDN博客https://blog.csdn.net/mogoweb/article/details/82152174

二、构建完网络后需编译网络

1、使用model.compile()函数编译网络

model.compile(
    optimizer,
    loss=None,
    metrics=None,
    loss_weights=None,
    sample_weight_mode=None,
    weighted_metrics=None,
    target_tensors=None,
    distribute=None,
    experimental_run_tf_function=True,
    steps_per_execution=None
)

主要

参数说明：

optimizer：优化器，用于控制梯度裁剪。必选项
loss：损失函数（或称目标函数、优化评分函数）。必选项
metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练过程中。

代码如下：

# 编译模型，指定adam 优化器来更新模型权重、均方误差损失函数
model.compile(optimizer='adam', loss='mse')

2、在编译环节需要设置好 优化器 和 损失函数 等相关参数

1）常见优化器：

SGD：随机梯度下降优化器，随机梯度下降是一种基本的优化算法，通过迭代更新模型参数来最小化损失函数。
# 实例化SGD优化器
sgd = tf.keras.optimizers.SGD(learning_rate=0.1, momentum=0.9, nesterov=True,name='SGD',**kwargs)
主要参数：
learning_rate: 学习率，默认为 0.001。
momentum float 超参数 >= 0，加速相关方向的梯度下降并抑制振荡。默认为 0，即普通梯度下降。
nesterov 布尔值。是否应用 Nesterov 动量。默认为 False 。
name 应用渐变时创建的操作的可选名称前缀。默认为 "SGD" 。
**kwargs 关键字参数。允许是 "clipnorm" 或 "clipvalue" 之一。 "clipnorm" (float) 按标准裁剪渐变； "clipvalue" (float) 按值裁剪渐变。


RMSprop：一种自适应学习率的优化算法，通过调整学习率来加速收敛过程。
# 创建 RMSprop 优化器
opt = tf.keras.optimizers.RMSprop(learning_rate=0.1)
主要参数：
learning_rate: 学习率，默认为 0.001。
rho: 历史梯度的折扣因子，默认为 0.9。
momentum: 动量，默认为 0.0。
epsilon: 用于数值稳定性的小常数，默认为 1e-7。
centered: 布尔值，是否通过梯度的估计方差对梯度进行归一化，默认为 False。


Adagrad：一种自适应学习率的优化算法，通过调整学习率来加速收敛过程。
# 创建 Adagrad 优化器
adagrad = tf.keras.optimizers.Adagrad(lr=0.01, epsilon=None, decay=0.0)
主要参数：
learning_rate: float >= 0. 学习率.
epsilon: float >= 0. 若为 None, 默认为 K.epsilon().
decay: float >= 0. 每次参数更新后学习率衰减值.

Adam：一种结合了RMSprop和Momentum的优化算法，具有较好的性能和稳定性。
# 创建Adam优化器tf.keras.optimizers.Adam(learning_rate=0.001,beta_1=0.9,beta_2=0.999,epsilon=1e-7,amsgrad=False,name="Adam",**kwargs)
主要参数：
learning_rate: 学习率，默认为0.001。
beta_1: 0到1之间，一般接近于1
beta_2: 0到1之间，一般接近于1，和beta_1一样，使用默认的就好
epsilon: 模糊因子，如果为空，默认为k.epsilon()
decay: 每次参数更新后学习率的衰减值（每次更新时学习率下降）
amsgrad: 布尔型，是否使用AMSGrad变体

2）常见损失函数：

MAE

MSE

二元交叉熵损失函数

稀疏类别交叉熵损失函数

三、传入训练数据对模型进行训练

1、使用model.fit()函数对模型进行训练

model.fit(x, y, batch_size, epochs, verbose, validation_split, validation_data, validation_freq)

主要参数：

x: 输入数据。
y: 输出数据。
batch_size: 每个批次的大小，即每次网络训练所使用的样本数量。
epochs: 迭代次数，即所有样本数据将被训练多少次。
verbose: 日志显示模式，0 表示不输出训练过程，1 表示输出进度条，2 表示每个 epoch 输出一行记录。
validation_split: 用于从训练数据中分割出一部分作为验证数据。
validation_data: 指定验证数据集，会覆盖由 validation_split 参数分割出的验证数据。
validation_freq: 指定多少个 epoch 进行一次验证。
callbacks: 回调函数列表，用于在训练的不同阶段执行自定义的操作，如 EarlyStopping。

代码如下：

#训练网络
model.fit(x,y,batch_size=32,epochs=10)

2、在训练环节需要通过设置不同迭代次数、批大小等超参数，优化网络。

       超参数的选择通常是一个试错的过程，需要根据经验和领域知识进行调整。

1）迭代次数

迭代次数指传入数据后网络训练的轮次，这个参数不是越大越好，也不是越小越好，大了可能过拟合、可能训练时间长，小了可能模型效果差，可根据实际情况选择合适大小的epochs。

2）批大小

同时处理多个训练数据，称为批训练。在合理范围内，batch_size 越大，训练速度则越快，内存占用更大，而收敛速度变慢，下降方向越准确、引起的训练震荡越小。值特别小则会使训练速度变慢。

四、训练网络结束后，需要选择合适的评估指标对模型进行性能评估

1、模型评估的几个常用指标

AUC、准确率、精度、二进制精度、二进制交叉熵、分类精度、类别交叉熵、余弦相似度、假阴性、平均绝对误差、均方误差等。见课本53页。

可选用一个或多个对模型进行评估。

参考博客：https://blog.csdn.net/m0_49866160/article/details/136691637

2、介绍以下三种方式进行模型评估（以二分类问题准确率为例）

1）方式一：使用metrics模块的函数计算

tf.keras.metrics.BinaryAccuracy(
    name='binary_accuracy', 
    dtype=None, 
    threshold=0.5
)
参数说明：

name:接收str类型的值。表示度量标准实例的字符串名字。

dtype:接收int、float等数据类型。表示度量标准结果的数据类型。

threshold:用于决定预测值为1或0的阈值。

代码如下：   

import tensorflow as tf
y_true=[0, 0, 0, 1, 1, 0]
y_pred=[0.2, 0.3, 0.6, 0.7, 0.8, 0.1]
acc = tf.keras.metrics.BinaryAccuracy(name='accary',dtype=None,threshold=0.5)
acc_calc=acc(y_true,y_pred)
print(acc_calc)

2）方式二：结合compile来使用。

在模型编译函数model.compile(）中，有一个参数可以设置评估指标（metrics参数）

代码如下：

model = tf.keras.Sequential()
model.compile(optimizer='adam', loss='mse',metrics=[tf.keras.metrics.BinaryAccuracy()])

3）方式三：使用model.evaluate()函数进行模型评估

代码如下：

model = tf.keras.Sequential()
loss , acc=model.evaluate(test_data,test_labels)