2利用API实现线性回归深度学习训练

这一个就是把昨天写的一些函数用API代替实现，不需要自己去写，比较简洁，实现的功能跟1一样，都是实现一个简单的线性回归网络

import random
import tensorflow as tf

# 生成数据集 y = X*w + b + (误差)
def Data(w, b, num):
  # 生成全0矩阵
  X = tf.zeros((num, w.shape[0]))
  # 给x随机赋初值
  X = X + tf.random.normal(shape=X.shape)
  # 计算X对应y的值，w的值需要转换成1列，-1表示不确定行数，由后面的列自动求出前面的行
  # （-1， 1）表示n行1列，n由w的大小确定
  y = tf.matmul(X, tf.reshape(w, (-1, 1))) + b
  # 给y加上噪声
  y += tf.random.normal(shape=y.shape, stddev=0.01)
  y = tf.reshape(y, (-1, 1))
  return X, y


# 生成1000组数据
true_w = tf.constant([2, -3.4])
true_b = 4.2
data, labels = Data(true_w, true_b, 1000)

# 利用框架的API读取数据
def load_array(data_arrays, batch_size, is_train=True):
  dataset = tf.data.Dataset.from_tensor_slices(data_arrays)
  if is_train:
    dataset = dataset.shuffle(buffer_size=1000)
  dataset = dataset.batch(batch_size)
  return dataset

batch_size = 10
data_iter = load_array((data, labels), batch_size)

# 定义模型
# net = tf.keras.Sequential()
# net.add(tf.keras.layers.Dense(1))

# 初始化模型参数,重新创建了net
initializer = tf.initializers.RandomNormal(stddev=0.01)
net = tf.keras.Sequential()
net.add(tf.keras.layers.Dense(1, kernel_initializer=initializer))

# 定义损失函数
loss = tf.keras.losses.MeanSquaredError()

# 定义优化算法
trainer = tf.keras.optimizers.SGD(learning_rate=0.03)

# 训练
num_epochs = 10
for epoch in range(num_epochs):
  for X,y in data_iter:
    with tf.GradientTape() as tape:
      l = loss(net(X, training=True), y)
    grads = tape.gradient(l, net.trainable_variables)
    trainer.apply_gradients(zip(grads, net.trainable_variables))
  l = loss(net(data), labels)
  print(f'epoch {epoch + 1}, loss {l:f}')