tf.keras + Sequential()可以搭建出上層輸入就是下層輸出的順序網路結構，但是無法寫出一些帶有跳連的非順序網路結構。

這時候可以選擇用類 class 搭建神經網路結構，即使用 class 類封裝一個網路結構：

...

class MyModel(Model):
　　def __init__(self):
　　　　super(MyModel, self).__init__()
　　　　定義網路結構塊
　　def call(self, x):
　　　　呼叫網路結構塊，實現前向傳播
　　　　return y

model = MyModel()

...

可以認為 __init__() 函式準備出了搭建網路所需的各種積木，call() 函式呼叫積木完成了神經網路的搭建，即實現前向傳播，從輸入x到輸出y。

六步：

1. import 相關模組。
2. 指定要喂入網路的訓練集和測試集。
3. class MyModel(Model) model = MyModel()
4. 在 compile() 中配置訓練方法。
5. 在 fit() 中執行訓練過程。
6. 用 summary() 打印出網路的結構和引數統計。

程式碼：

import tensorflow as tf
from  tensorflow.keras.layers import Dense
 
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np

# 讀取訓練用的輸入特徵和標籤
x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

# 資料集亂序
np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

 
# 定義神經網路類
class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        # 定義第一層網路結構：含有三個神經元的全連線層
        self.d1 = Dense(3, activation="softmax", kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        # 呼叫網路結構，實現前向傳播
        y = self.d1(x)
        return y

# 宣告神經網路物件
model = IrisModel()

# 配置訓練方法
model.compile(optimizer=tf.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=[tf.keras.metrics.sparse_categorical_accuracy])

# 執行訓練過程
model.fit(x_train, y_train,
          batch_size=32, epochs=500,
          validation_split=0.2,
          validation_freq=20)

# 列印網路的結構和引數
model.summary()