学习笔记：能用20-50个模型说明tensorflow？

TensorFlow 是一个广泛应用于机器学习和深度学习的开源框架，提供了丰富的功能和工具来构建和训练神经网络模型。
先来 20 个 TensorFlow 相关的实现示例，每个示例都包含基本的调用范例：

1. 线性回归模型：

   • 用于预测连续数值的简单模型。

   import tensorflow as tf
   
   # 构建模型
   model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])
   model.compile(optimizer='sgd', loss='mean_squared_error')
   
   # 训练模型
   model.fit(x_train, y_train, epochs=100)
   
   # 预测
   result = model.predict([x_test])
   

2. 卷积神经网络（CNN）：

   • 用于图像识别等任务的经典深度学习模型。

   import tensorflow as tf
   
   # 构建模型
   model = tf.keras.Sequential([
       tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
       tf.keras.layers.MaxPooling2D((2, 2)),
       tf.keras.layers.Flatten(),
       tf.keras.layers.Dense(10, activation='softmax')
   ])
   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   
   # 训练模型
   model.fit(x_train, y_train, epochs=5)
   
   # 预测
   result = model.predict([x_test])
   

3. 循环神经网络（RNN）：

   • 用于处理序列数据的神经网络模型。

   import tensorflow as tf
   
   # 构建模型
   model = tf.keras.Sequential([
       tf.keras.layers.Embedding(input_dim=1000, output_dim=64),
       tf.keras.layers.LSTM(128),
       tf.keras.layers.Dense(10, activation='softmax')
   ])
   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   
   # 训练模型
   model.fit(x_train, y_train, epochs=5)
   
   # 预测
   result = model.predict([x_test])
   

4. 生成对抗网络（GAN）：

   • 用于生成新样本的深度学习模型。

   import tensorflow as tf
   
   # 构建生成器
   generator = tf.keras.Sequential([
       tf.keras.layers.Dense(256, input_shape=(100,), activation='relu'),
       tf.keras.layers.Dense(784, activation='sigmoid'),
       tf.keras.layers.Reshape((28, 28))
   ])
   
   # 构建判别器
   discriminator = tf.keras.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(256, activation='relu'),
       tf.keras.layers.Dense(1, activation='sigmoid')
   ])
   
   # 构建GAN模型
   gan = tf.keras.Sequential([generator, discriminator])
   
   # 训练GAN模型
   gan.compile(optimizer='adam', loss='binary_crossentropy')
   gan.fit(x_train, y_train, epochs=100)
   

5. 自编码器（Autoencoder）：

   • 用于数据压缩和解压缩的神经网络模型。

   import tensorflow as tf
   
   # 构建编码器
   encoder = tf.keras.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(128, activation='relu'),
       tf.keras.layers.Dense(64, activation='relu'),
       tf.keras.layers.Dense(32, activation='relu')
   ])
   
   # 构建解码器
   decoder = tf.keras.Sequential([
       tf.keras.layers.Dense(64, activation='relu', input_shape=(32,)),
       tf.keras.layers.Dense(128, activation='relu'),
       tf.keras.layers.Dense(784, activation='sigmoid'),
       tf.keras.layers.Reshape((28, 28))
   ])
   
   # 构建自编码器模型
   autoencoder = tf.keras.Sequential([encoder, decoder])
   
   # 训练自编码器模型
   autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
   autoencoder.fit(x_train, x_train, epochs=10)
   

6. 预训练模型迁移学习：

   • 使用预训练的模型进行迁移学习以解决新任务。

   import tensorflow as tf
   
   # 加载预训练的模型
   base_model = tf.keras.applications.MobileNetV2(input_shape=(224, 224, 3), include_top=False, weights='imagenet')
   
   # 冻结预训练模型的权重
   base_model.trainable = False
   
   # 构建新模型
   model = tf.keras.Sequential([
       base_model,
       tf.keras.layers.GlobalAveragePooling2D(),
       tf.keras.layers.Dense(10, activation='softmax')
   ])
   
   # 训练新模型
   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   model.fit(x_train, y_train, epochs=5)
   

7. K-Means 聚类：

   • 使用 TensorFlow 实现 K-Means 聚类算法。

   import tensorflow as tf
   
   # 数据准备
   dataset = tf.constant(data_points, dtype=tf.float32)
   
   # 初始化聚类中心
   centroids = tf.Variable(tf.slice(tf.random.shuffle(dataset), [0, 0], [k, -1]))
   
   # 运行 K-Means 算法
   for _ in range(num_steps):
       # 计算每个点到中心的距离
       distances = tf.reduce_sum(tf.square(tf.subtract(tf.expand_dims(dataset, 0), tf.expand_dims(centroids, 1))), 2)
       # 将每个点分配到最近的聚类中心
       assignments = tf.argmin(distances, 0)
       # 更新聚类中心
       means = []
       for c in range(k):
           means.append(tf.reduce_mean(tf.gather(dataset, tf.reshape(tf.where(tf.equal(assignments, c)), [1, -1]))