唉！！！這些大佬，寫個LSTM每一個人的實現方法都不一樣，有用Keras,TF,Pytorch等，可憐我啥時候才能看懂那篇論文的代碼啊！！！！
好START
如果 用 tensorflow 來搭建神經網絡，我們還需要下一些功夫，而使用keras 我們就省心了，提供高級的 API 供我們使用來搭建神經網絡，keras 也走進了谷歌的大門，keras 也被整合到 tensorflow 方便我們使用。
定義模型樣子
這裡說一下mnist是一個用到爛的數據集
<code># %pip install tensorflow
import tensorflow as tf
mnist = tf.keras.datasets.mnist # 28 x 28 images of hand-written digits 0-9
#加載數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
#### 可視化數據
/<code>
通過 keras.datasets 導入手寫數字集，用於我們學習如何搭建神經網絡來識別圖中數字
<code>import matplotlib.pyplot as plt
plt.imshow(x_train[0])
print(x_train[0])
/<code>
使用 matplotlib 庫可以將數據可視化，讓我們更加直觀地瞭解圖片數據到底是什麼。
<code>plt.imshow(x_train[0],cmap=plt.cm.binary)
/<code>
<code>x_train = tf.keras.utils.normalize(x_train,axis = 1)
x_test = tf.keras.utils.normalize(x_test, axis = 1)
/<code>
我們可以對數據通過處理將數據映射到 1 - 0 區間，這樣更便於處理。
開始搭建我們神經網絡
<code>model = tf.keras.models.Sequential()
/<code>
這裡我們使用 Sequential 創建順序執行執行神經網絡。
<code># add layer first layer is input layer
model.add(tf.keras.layers.Flatten())
/<code>
首先將多維數據壓縮為一維數據，作為輸入數據。Dense 表示一個全連接的層，這也就是我們要添加一個輸出 128 的全連接層。然後activation 可以指定激活函數。
<code>model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
/<code>
添加兩個神經層，因為每一層輸入都是 128 而且激活函數使用簡單的 relu，relu 相比其他激活函數計算簡單。
<code>model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))
/<code>
接下來評價我們模型，可以指定 loss 函數類型，訓練模型就是找到最合適方程，可以在 optimizer 指定找到最合適函數的方式。
<code>model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(x_train,y_train,epochs=3)
/<code>
開始訓練，第一個參數為訓練集，y_train 為期望值，x_train 是二維數組，一維是訓練集樣本數量，第二個維度是圖片大小，28 * 28 = 784。對於 y_train 的第一個維度就是樣本的數量，第二個就是 10 維，因為我們圖片是分為 10 類。
其實這裡還有參數batch_size 指定數量，這樣 keras 是根據 batch_size 將數據進行劃分，然後在 batch_size 計算出 loss 函數得到然後根據 loss 函數（損失函數）結構調整一次參數依次類推，每一個 batch 都會根據loss 函數來更新參數
解析
batch_size：整數，指定進行梯度下降時每個batch包含的樣本數。訓練時一個batch的樣本會被計算一次梯度下降，使目標函數優化一步。 epochs：整數，訓練終止時的epoch值，訓練將在達到該epoch值時停止，當沒有設置initial_epoch時，它就是訓練的總輪數，否則訓練的總輪數為epochs - inital_epoch
然後每完成一次所有 batch 運算就算為 epoch
輸出一個 loss
<code>(0.11153460214892402, 0.9629)
/<code>
然後就可以檢查一下我們訓練成果了，我們可以將訓練好模型保存起來，以便以後可以無需重複訓練通過加載訓練好的模型，來進行圖形識別。
<code>model.save('epic_num_reader.model')
new_model = tf.keras.models.load_model('epic_num_reader.model')
predictions = new_model.predict([x_test])
print(predictions)
/<code>模型保存這一步很重要 我之前一直以為在線上模型使用每次都要fit一下，顯然不是的。sava model 從結果來看我們訓練出的模型可以滿足我們需要，模型已經成功根據圖片
<code>7
/<code>
通過我們測試模型現在已經可以識別出數字 7
一個demo下來，發現很多框架細節都不懂，真的得一個個參數去看了！！！
閱讀更多 小白學習日記yang 的文章
