《TensorFlow2.0》一、机器学习和深度学习简介及基础编程 part 1_model.fit 中如何在loss没有下降时停止-CSDN博客

本文链接：https://blog.csdn.net/Tian121381/article/details/105077239

Python版本： Python3.x
运行平台： Windows
参考资料：吴恩达
IDE： jupyter
转载请标明出处：https://blog.csdn.net/tian121381/category_9748511.html
资料下载，提取码：nw0v
目录

一、前言

机器学习中的SVM其实是鸽了，(●’◡’●)。因为公式太难打了，有时间再补上吧（如需要SVM的相关代码，可以评论发邮箱）。现在开新坑，tensorflow2.0的使用。主要是以实例来讲解。这部分需要深度学习/机器学习的基础。
主要的讲解方法是写一个例子，详细讲解。然后给出一个练习，你们自写后再看我给的参考代码。(ง •_•)ง

二、相当于Hello World的神经网络

我们开始先来一个简单的网络，自己写一个线性的数据，看看我们在输入数据时，能不能给出我们正确的结果呢？
首先导入相关包。

import tensorflow as tf
import numpy as np
from tensorflow import keras

编辑定义神经网络

我们将创建最简单的神经网络。它具有1层，并且该层具有1个神经元(一个单元)，并且其输入形状仅为1值。

model = tf.keras.Sequential(  [  keras.layers.Dense(units=1,input_shape = [1])])

优化器和代价函数定义

现在，我们编译神经网络。这样做时，我们必须指定两个函数，一个损失和一个优化器。如果已经看过很多用于机器学习的数学，这就是通常使用的地方，但是在这种情况下，它可以很好地封装在您的函数中。但是这里发生了什么？让我们解释一下… 我们知道在函数中，数字之间的关系为y = 2x-1。当计算机尝试“学习”时，会做出猜测…也许y = 10x + 10。损失功能根据已知的正确答案来衡量猜测的答案，并衡量其执行的好坏程度。然后，它使用OPTIMIZER函数进行另一个猜测。基于损失函数的运行方式，它将尝试使损失最小化。到那时，也许会得出类似y = 5x + 5的结果，虽然仍然很糟糕，但更接近正确的结果（即损失更低）它将重复此操作，您将很快看到epochs的数量。但首先，这是我们告诉它的方法，即对损失使用“均方误差”，对优化器使用“随机梯度下降”。不需要了解它们的数学原理，但是可以看到它们起作用了！如果有时间，多了解以下针对不同情况的不同且适当的损失和优化器功能。下面为随机梯度下降，均值方差。

model.compile(optimizer="sgd",loss="mean_squared_error")

提供数据

接下来，输入一些数据。在这种情况下，我们取6个xs和6个ys。您会看到它们之间的关系是y = 2x-1，因此x = -1，y = -3等。一个名为“ Numpy”的python库提供了许多数组类型的数据结构，这是事实上的标准方法。我们通过将值指定为np.array[]来声明要使用它们。

xs = np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype = float)
ys = np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype = float)

它们的关系是y = 2x-1

训练神经网络

训练神经网络的过程是在model.fit调用中“学习” xs和ys之间的关系。这就是我们上面讨论过的循环的地方，进行猜测，测量其好坏（也称为损失），使用优化器进行另一次猜测等。它将针对您所经历的时期数进行处理,指定。运行此代码时，您会在看到损失。

model.fit(xs,ys, epochs = 500)  #拟合

结果：
在这里插入图片描述
可以看到损失值很低了。
然后我们自己输入一个值，看看效果如何呀？

print(model.predict([10.0]))

结果：

[[18.999987]]

结果正确，约19。

课后小练习

问题描述：
尝试建立一个神经网络，根据一个简单的公式预测房屋价格。因此，想象一下，如果房屋价格像房屋每间卧室50k + 50k一样容易，那么一间卧室的房子要100k，两间卧室的房子要150k，依此类推。将如何创建一个学习此关系的神经网络，以便预测7卧室房屋的成本接近40万，等等。提示：如果降低房价，网络可能会工作得更好。您不必给出答案400 …最好创建可以预测数字4的内容，然后答案是“数十万”等。这里需要你们结合上面自写，写完后看看我的参考代码（。＾▽＾）。

import numpy as np
import tensorflow as tf
from tensorflow import keras

model = tf.keras.Sequential([ keras.layers.Dense(units=1,input_shape = [1])])
model.compile(optimizer="sgd",loss="mean_squared_error")

xs = np.array([1,2,3,4,5,6,7],dtype=float)
ys = np.array([100,150,200,250,300,350,400],dtype=float)

model.fit(xs,ys,epochs=500)

print(model.predict([8.0]))

结果：
在这里插入图片描述

三、较复杂的神经网络

在上一个例子中，看到了如何创建一个神经网络，以解决要解决的问题。这给出了学习行为的明确示例。当然，在那种情况下，有点过分了，因为直接编写函数Y = 2x-1会更容易，而不是麻烦使用机器学习来学习一组固定的X和Y之间的关系。并将其扩展为所有值。但是，编写这样的规则要困难得多的情况（例如计算机视觉问题）怎么办？让我们看一个场景，在该场景中，我们可以识别出不同的衣服，这些衣服是从包含10种不同类型的数据集中训练出来的。
首先导入相关包

import tensorflow as tf

数据处理

Fashion MNIST数据可直接从tf.keras数据集API中获得。keras自带的数据集，如果网络问题下载不下来，可以下载我的数据（置顶资料下载），放入C:\用户\你的电脑名\.keras\datasets\

mnist = tf.keras.datasets.fashion_mnist    #下载并加载数据，如有数据将只加载

在此对象上调用load_data将为您提供两组两个列表，这两个列表将是包含服装项目及其标签的图形的训练和测试值。

(training_images,training_labels),(test_images,test_labels) = mnist.load_data()

这些值是什么样的？让我们打印一个训练图像和一个训练标签以查看…具有数组中不同索引的实验。例如，还要看一下索引42 …那是与索引0的引导不同的引导。

import matplotlib.pyplot as plt
plt.imshow(training_images[0])
plt.show()
print(training_labels[0])
print(training_images[0])

结果：
在这里插入图片描述

可以注意到，数字中的所有值都在0到255之间。如果我们在训练神经网络，出于各种原因，将所有值都视为0到1之间的过程会更容易，这一过程称为“规范化”。幸运的是，在Python中，无需循环就可以很容易地标准化这样的列表。可以这样操作：

training_images = training_images/255
test_images = test_images/255

模型构建

开始构建模型·

model = tf.keras.Sequential([tf.keras.layers.Flatten(),  #扁平化，
                            tf.keras.layers.Dense(128,activation=tf.nn.relu),
                            tf.keras.layers.Dense(10,activation = tf.nn.softmax)                                                        
                            ])

Sequential：定义了神经网络中各层的顺序 Flatten：还记得以前打印出的图像是正方形的地方吗？展平只是获取该正方形并将其变成一维集。 Dense：增加一层神经元，每层神经元都需要激活功能来告诉他们该做什么。有很多选择，但是现在就使用。 Relu实际上表示“如果X>0返回X，否则返回0”-------因此它所做的只是将值0或更大的值传递给网络的下一层。 Softmax采用一组值，并有效地选择最大的值，因此，例如，如果最后一层的输出看起来像[0.1、0.1、0.05、0.1、9.5、0.1、0.05、0.05、0.05]，则可以节省您从钓鱼中寻找最大的价值，然后将其变成[0,0,0,0,1,0,0,0,0,0]目标是节省大量编码！

现在定义模型的下一步是实际构建模型。您可以像以前一样使用优化器和损失函数对其进行编译—然后通过调用model.fit对其进行训练，要求它将训练数据与训练标签相匹配-即让其确定训练数据之间的关系及其实际标签，因此在将来，如果您拥有看起来像训练数据的数据，那么它可以对这些数据的外观做出预测。

model.compile(optimizer="adam",   #optimizer = tf.train.AdamOptimizer(),2.0以下
             loss = "sparse_categorical_crossentropy",
             metrics=['accuracy'])
#开始拟合
model.fit(training_images,training_labels,epochs=10)