【tensorflow2.0】tf.keras概述

import tensorflow as tf
print('Tensorflow Version: {}'.format(tf.__version__))

会输出Tensorflow的版本，且将其形式化（format），括号里面的是tf. 两个下划线 version 两个下划线。

import pandas as pd

pandas库是一个强大的分析结构化数据的工具集，主要用于数据挖掘和数据分析，同时也提供数据清洗功能。其数据类型为Series和DataFrame。
Series类型由一组数据及与之相关的数据索引组成，如:

其中a处的输出中：0 1 2 3是自动索引，int64是numpy中的数据类型。b处的输出中index作为第二个参数，a b c d是自定义索引。
可以通过b.index获得索引，通过b.values获得数据。

DataFrame类型由共用相同索引的一组列组成，如：

其中，0 1 2 3 4是自动列索引，0 1是自动行索引。

数据会根据行列索引自动补齐。

data = pd.read_csv('./Income1.csv')
data

读取csv文件，其中'./Income1.csv'前面的点表示在当前文件夹中，且tf中表示文件地址要么用\\要么用/
此结果会输出csv文件的表格如下：

import matplotlib.pyplot as plt
%matplotlib inline

使用魔术方法，直接显示在行里，不以弹窗的形式显示。

matplotlib.pyplot主要用来生成绘图，直方图、功率谱、条形图、错误图、散点图等，是一个python的2D绘图库。
grid方法可为图添加网格线，.lw代表线的粗细，.alpha表示线的明暗程度。
axis方法若没有任何参数，则返回当前坐标轴的上下限。还可以通过xlim，ylim方法设置坐标轴范围。

plt.scatter(data.Education, data.Income)

scatter()函数是用于绘制散点图的。之前定义了data，它有两列，一列是Education，一列是Income，所以用上面的代码来将data.Education定义为x轴，将data.Income定义为y轴。
就会得到以下结果：

从图中可以看出受教育年限和收入实际上是一种线性关系。

接下来需要建立模型来预测收入值：
使用单变量线性回归算法f(x) = ax + b，去求a和b的值。首先要定义损失函数L为预测值f(x)和真实值y的均方差[f(x)-y]²/n。那么任务就变成了需要找到合适的a和b，使得均方差的值越小越好。在这个过程中，采用梯度下降算法来优化。

首先要把变量x和真实值y定义出来：

x = data.Education
y = data.Income

之后建立模型：

model = tf.keras.Sequential()

使用顺序模型。顺序模型就是有一个输入和一个输出，它们之间的网络是顺序搭建的，就像一层一层搭积木一样。初始化了我们所要建立的模型。

接下来给初始化的模型中添加层：

model.add(tf.keras.layers.Dense(1, input_shape=(1,)))

用model.add()来添加所需要的神经层。layers里面有很多层的种类可以选择，常用的有Dense层（全连接神经网络层），它的参数有两个，分别为输出的单元数，即输出数据的维度；输入数据的形状。
在此案例中，因为关系式为f(x) = ax + b，所以输出数据的维度就是1；输入的数据也是一个一维的数据x，所以输入数据的shape是1，但要用元组的形式表示，所以写为(1,)。

model.summary() 

此代码可以反映模型整体的形状，如下：

它是一个dense层，它的output shape是(none, 1)，对于这种神经网络，第一个数是代表样本的个数，在建立模型的时候不需要去考虑，比如输入100个数，就会显示(100, 1)；第二个数代表输出的维度1。它的Param（参数）是2，表示它有两个参数。它有两个参数，但是输出为1，所以dense层是根据输入初始化两个变量a和b，将其变化为ax+b的形式，输出的仍是1个维度的预测值。

模型建立完成后，可以对其进行编译：

model.compile(optimizer='adam',
              loss='mse'
)

在keras中需要编译，即配置的过程，但在自定义循环中无需编译这个过程了。
model.compile()方法用于在配置训练方法中，其形式为：

在这里我们使用梯度下降算法对损失函数进行优化，因此在这里优化方法optimizer选择’adam’，损失函数loss使用均方差(MeanSquaredError, mse)去衡量。

配置好模型之后，就可以对其进行训练：

history = model.fit(x, y, epochs=5000)

接下来就可以使用这个模型进行预测了：

model.predict(x)

不对顺序进行打乱，对之前的x进行预测，输出的还是y。

model.predict(pd.Series([20]))

用series的形式对x=20来进行预测。

补充！：在 Keras 中，我们可以通过组合层来构建模型，直接堆叠各个层。整个过程可分为五步：
1创建Sequential模型，
2添加所需要的神经层，
3使用.compile方法确定模型训练结构，
4使用.fit方法使模型与训练数据“拟合”，
5.predict方法进行预测。