# TensorFlow 2是否需要安装Keras

在TensorFlow 2中，集成了Keras作为其高级神经网络API，因此在使用TensorFlow 2时无需单独安装Keras。在TensorFlow 2中，Keras类和函数直接作为tf.keras的一部分提供，可以方便地构建、训练和评估神经网络模型。

下面将详细说明如何使用TensorFlow 2构建一个简单的神经网络模型，并训练该模型来进行分类任务。

## 步骤

| 步骤 | 操作 |
|----|----|
| 1 | 安装TensorFlow 2 |
| 2 | 加载数据集 |
| 3 | 构建神经网络模型 |
| 4 | 编译模型 |
| 5 | 训练模型 |
| 6 | 评估模型 |

## 代码示例

### 步骤1：安装TensorFlow 2

```python
pip install tensorflow
```

### 步骤2：加载数据集

这里以加载Fashion MNIST数据集为例，Fashion MNIST是一个包含10个类别的服装图片数据集。

```python
import tensorflow as tf
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
```

### 步骤3：构建神经网络模型

这里构建一个简单的多层感知机神经网络模型。

```python
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
```

### 步骤4：编译模型

在编译模型时，需要指定损失函数、优化器和评估指标。

```python
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
```

### 步骤5：训练模型

训练模型时需要传入训练集数据和标签，并指定训练的轮数。

```python
model.fit(train_images, train_labels, epochs=5)
```

### 步骤6：评估模型

使用测试集数据和标签来评估模型的性能。

```python
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
```

通过以上步骤，我们完成了使用TensorFlow 2构建并训练一个简单的神经网络模型的过程。在TensorFlow 2中，Keras的集成使得神经网络的构建和训练变得更加简单和方便。希望以上内容能帮助到刚入行的小白对于TensorFlow 2和Keras的关系有更清晰的认识。