TensorFlow2.0简介和线性回归

简介

废弃清除了1.0版本的多数API，使用了高级核心API，tf.Keras。
Eager模式，代码直接运行，直观调试。
tf.GradientTape
求解梯度，自定义训练逻辑。

tf.data 加载图片数据和结构化数据
tf.fuction 自动图运算

TensorFlow2.0版本安装

Miniconda是最小的conda安装环境。

线性回归：y = ax + b

# -*- coding: UTF-8 -*-    
# Author: LGD
# FileName: test
# DateTime: 2020/10/20 17:00 
# SoftWare: PyCharm
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf

# 线性规划 f(x)=ax+b
data = pd.read_csv("Income1.csv")

print(data)

# 画散点图，参数一x轴；参数二y轴
plt.scatter(data.Education, data.Income)
plt.show()

# 预测目标与损失函数
# 预测值与损失值之间的误差最小，如何定义最小误差
# 使用均方差来定义损失函数
# 找到合适的a,b使均方差最小
# 使用梯度下降算法来做优化，找到合适的a，b

x = data.Education
y = data.Income
print(x, y)
# 一个顺序化模型
model = tf.keras.Sequential()
# 初始化模型，添加层, 输入维度是1, 输出维度也是1
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
model.summary()  # ax + b

# 编译模型，或者叫着配置模型
model.compile(
    optimizer='adam',  # 优化方法，沿着梯度下降优化，此方法默认学习速率0.01
    loss='mse'  # 损失函数，使用均方差优化，‘mse’

)

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

# 预测
print(history.predict(x))
print(history.predict(pd.Series([20])))