[机器学习笔记-2]训练一个神经网络

目录

摄氏度与华氏度的转换

建立模型

编译模型

训练模型

损失函数随训练周期的变化

使用模型预测数据

什么是密集层/全连接层？

---

摄氏度与华氏度的转换

我们已知其转换公式为：F = C * 1.8 + 32

可以得到如下对应表：

摄氏度	华氏度
0	32
8	46
15	59
22	72
38	100

而机器学习就是在不知道转换公式的情况下，通过这几个数值，进行训练后，根据输入能正确预测。

import tensorflow as tf
import numpy as np

设置训练数据 x:输入 y:输出

x = np.array([-40,-10,0,  8, 15, 22,  38],  dtype=float)
y = np.array([-40,14, 32, 46, 59, 72, 100],  dtype=float)

建立模型

• 创建一个密集层——Dense()
• 将层整合到模型中——Sequential()

units:神经元个数

input_shape:该层的输入

layer0 = tf.keras.layers.Dense(units=1, input_shape=[1]) 
model = tf.keras.Sequential([layer0])  #将多个层按序整合到一个模型中

编译模型

• 损失函数——衡量预测值与期望值的偏差
• 优化函数——减小误差和调整参数的方法

compile()

loss:均方误差

Adam(0.1)表示学习率0.1（一般取0.001-0.1)

什么是Adam Optimization Algorithm?

model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))

训练模型

fit()

epochs：训练周期——样本进行一次完成的迭代

history = model.fit(x, y, epochs=500, verbose=False)

损失函数随训练周期的变化

import matplotlib.pyplot as plt
plt.xlabel('Epoch Number')
plt.ylabel("Loss Magnitude")
plt.plot(history.history['loss'])

使用模型预测数据

print(model.predict([100.0]))

打印结果：[[211.74129]]    与 100 * 1.8 + 32 = 212 相当接近了 

 

主要是根据机器学习课程对[其中一个练习]这个网址的简单记录

 

什么是密集层/全连接层？

每个神经元都与上层的所有神经元相连接