我们可以在不使用keras的情况下在tensorflow2.0中训练模型吗？

我正在尝试编写一个简单的ML代码，以便在tensorflow2.0中对mnist数据集进行分类。我现在没有使用Keras，因为我只想使用低级API来帮助我理解tensorflow是如何工作的。然而，在我定义了交叉熵之后，它似乎不可能继续。所有tf2.0优化器都移动到了keras，我不知道如何在tf2.0中训练没有keras的模型。有没有办法绕过tf2.0中的keras

来自未来导入绝对导入、除法、打印函数、unicode文本
导入tensorflow作为tf
从tensorflow.keras导入数据集、图层、模型
#助手库
将numpy作为np导入
将matplotlib.pyplot作为plt导入
（列车图像，列车标签），（测试图像，测试标签）=dataset.mnist.load\u data（）
打印（序列图像.形状）
打印（透镜（列车标签））
打印（列车图像[1，：，：]形状）
#plt.图（）
#plt.imshow（列车图像[0]）
#plt.colorbar（）
#plt.grid（假）
#plt.show（）
#将像素值规格化为介于0和1之间
列车图像，测试图像=列车图像/255.0，测试图像/255.0
W=tf.变量（tf.零（[784,10]））
b=tf.变量（tf.零（[10]））
对于范围（1）中的i：
x=tf.constant（序列图像[1，：，：]重塑（784），dtype=tf.float32）
x=tf.重塑（x[1784]）
打印（tf.形状（x），tf.形状（W））
#定义模型
y=tf.nn.softmax（tf.matmul（x，W）+b）
打印（y）
#正确的标签
y=np.零（10）
y_u[train_标签[i]]=1.0
y=tf.constant（y，dtype=tf.float32）
重塑（y[1,10]）
交叉熵=-tf.reduce\u和（y*tf.math.log（y））
打印（交叉熵）
我不知道如何从这里继续下去。

在TensorFlow 2.x中，完全可以使用基于反向传播的模型训练，而无需使用keras API。使用将围绕

tf.GradientTape

API和

tf.optimizers

命名空间下的优化器对象进行

您的示例可以修改如下。请注意，这是一段过于简单的代码，旨在用一段简短的代码片段说明基本用法。这并不是为了说明TF2中的机器学习最佳实践

（列车图像，列车标签），（测试图像，测试标签）=数据集.mnist.load\u数据（）
列车图像，测试图像=列车图像/255.0，测试图像/255.0
W=tf.变量（tf.零（[784,10]））
b=tf.变量（tf.零（[10]））
@功能
def车型年款（x）：
#这是一个手动逻辑回归器。
y=tf.matmul（x，W）+b
返回tf.nn.softmax（y）
@功能
def损失（x，y）：
#这是一个手动滚动的分类交叉熵损失。
diff=-（标签*tf.math.log（logits））
损失=tf.减少平均值（差异）
回波损耗
优化器=tf.optimizers.Adam（学习率=1e-3）
对于xrange中的i（num_步数）：
#一个单一的训练步骤。
使用tf.GradientTape（）作为磁带：
#这是不典型的，因为您通常希望在
#小批量，而不是使用x_系列和y_系列中的所有示例
#马上。不过，这只是一个简单的例子。
损耗值=损耗（x\U列、y\U列）
梯度=磁带梯度（损耗值，[W，b]）
optimizer.apply_渐变（zip（渐变，[w，b]））