六步法：
一.import
导入各种库，比如：
import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras import Model
import numpy as np
import pandas as pd
# 可能还会根据需求导入其他库，如用于数据可视化的 matplotlib 等
import matplotlib.pyplot as plt二.train,test
准备训练数据和测试数据,比如：
# 以 MNIST 数据集为例
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0首先，从相应的数据集中加载数据，如这里使用 mnist.load_data() 加载 MNIST 手写数字数据集，得到训练集的特征 x_train 和标签 y_train，以及测试集的特征 x_test 和标签 y_test。然后，对数据进行预处理，常见的预处理操作包括归一化、标准化等。在上述代码中，将图像像素值除以 255，将其缩放到 0 到 1 的范围，这有助于模型的训练和收敛。
三.model=tf.keras.models.Sequential
构建模型架构，比如：
model = tf.keras.models.Sequential([Flatten(input_shape=(28, 28)),Dense(128, activation='relu'),Dense(10, activation='softmax')
])四.model.compile
配置模型训练过程，比如：
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])这一步用于配置模型的训练过程，主要设置三个重要参数：
optimizer：优化器，用于调整模型的参数以最小化损失函数。adam 是一种常用的优化器，它结合了 AdaGrad 和 RMSProp 的优点，具有自适应学习率的能力。
loss：损失函数，用于衡量模型预测结果与真实标签之间的差异。其中sparse_categorical_crossentropy 适用于标签为整数编码的多分类问题。
metrics：评估指标，用于在训练和测试过程中监控模型的性能。accuracy 表示准确率，即模型预测正确的样本数占总样本数的比例。
五,model.fit
进行模型训练，使用训练模型进行迭代训练。
model.fit(x_train, y_train, epochs=5)六,model.summary
这一步用于打印模型的结构信息，包括每一层的名称、输出形状和参数数量等。通过查看 model.summary() 的输出，你可以了解模型的整体架构和参数规模，帮助你检查模型是否符合预期，以及评估模型的复杂度。
model.summary()各自的使用方法：
Flatten只是把数值特征拉成一维数组
Dense全连接
后面是卷积神经网络层和循环神经网络层
compile配置训练方法。
validation_data和validation_split二选一，进行训练。
validation_freq 多少轮训练后用测试集测试一次。
model.summary()打印出统计结果，其中可以看到，总共的参数15个，可训练参数15个，不可训练参数0个。
以下是用六步法搭建鸢尾花分类。
import tensorflow as tf
from sklearn import datasets
import numpy as npx_train = datasets.load_iris().data
y_train = datasets.load_iris().targetnp.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)model = tf.keras.models.Sequential([tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
])model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)model.summary()
首先import,然后两个train交代训练集和测试集。
np到tf这几个random用于打乱数据集设置。
model中设置网络结构。3指的是神经元个数是3，activation选用激活函数，最后是选用正则化方法。
complie中配置训练方法，SGD优化器，学习率0.1，选用SparseCategoricalCrossentropy当做损失函数，由于神经末端使用softmax函数，输出不是原始分布，所以logits=False。
鸢尾花数据集给的是0,1,2是数值，神经网络前向输出是概率分布，选择sparse_categorical_accuracy作为测评指标。
fit中执行训练过程，分别是 输入特征，训练集标签，训练时一次喂给神经网络多少组数据batch_size，循环迭代次数，validation_split=0.2告知从训练集中选择百分之20数据当做测试集，validation_freq=20，表示迭代20次，在测试集中验证一次准确率。
运行结果：
可见，打印出了网络结构和参数统计。
