学习目的
了解机器学习的一些基础功能,一些基础用法,然后在我们的实际工作中创造出更多的火花。
![](https://i-blog.csdnimg.cn/blog_migrate/6a16d9bc0a27dd2081173720ff4127a0.png)
环境准备
环境话有很多,我在学习的这个慕课的实验室、谷歌实验室。还有腾讯实验室都可以用来做,也非常方便,本地环境搭建也是非常的方便,但是在训练数据多的时候,那就非常的慢。
这些实验室提供强大的算力,最主要的还是免费。
![](https://i-blog.csdnimg.cn/blog_migrate/fee4515d8096276463690ab6ca2bb036.png)
实例
![](https://i-blog.csdnimg.cn/blog_migrate/75809929f3b58cb4a591007290148815.png)
定义神经网络的框架叫做keras
,它将神经元网络模型定义为一组Sequential层。Keras库也需要导入。
然后我们导入一个名为numpy的库
,它可以帮助我们方便快捷地将数据表示为列表
。
在编译神经网络时,我们必须指定2个函数
:一个损失函数和一个优化器。
如果我们读过很多有关机器学习的数学理论,这里通常是用到它们的地方。但Tensorflow将这些数学很好地封装在函数中供我们使用。那么这个程序里到底发生了什么?我们来看一下:
我们知道,在上面的函数中,两组数字之间的关系其实是y=2x-1。当计算机试图 "学习 "这个映射关系时,它猜测......也许y=10x+10。LOSS(损失)函数将猜测的答案与已知的正确答案进行比较
,并衡量偏差程度。然后,计算机使用OPTIMIZER函数再做一次猜测,努力使损失最小化
。这时,也许计算机会得出一些像y=5x+5这样的结果,虽然还是很糟糕,但更接近正确的结果(即损失更低)。训练的时候,将依据指定的EPOCHS次数,重复这样的猜测与优化过程。
下面的程序中可以看到如何设置用 "平均平方误差 "来计算损失,并使用 "同步梯度下降 "来优化神经元网络。我们并不需要理解背后的这些数学,但我们可以看到它们的成效!
随着经验的积累,我们将了解如何选择相应的损失和优化函数,以适应不同的情况。
在调用model.fit函数时,神经网络“学习”X和Y之间的关系。在这个过程中,它将一次又一次地完成上面所说的循环,即做一个猜测,衡量它有多好或多坏(又名损失),使用Opimizer进行再一次猜测,如此往复。训练将根据指定的遍数(epochs)执行此操作。当运行此代码时,将在输出结果中看到损失(loss)。
from tensorflow import keras
import numpy as np
## 构建模型
## layer就是一层神经元, shape就是一个输入值, 接下来我们将创建一个最简单的神经网络。它只有1层,且这层只有1个神经元,它的输入只是1个数值
model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
## 优化和损失函数
model.compile(optimizer='sgd', loss='mean_squared_error')
## 准备训练数据
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) # tf擅长处理float数据
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
## 训练模型
model.fit(xs, ys, epochs=500) # y是标签,eposhs是训练次数,这里是100次
到这里为止模型已经训练好了,它学习了X和Y之间的关系。现在,我们可以使用model.predict方法来让它计算未知X对应的Y。例如,如果X=10,我们认为Y会是什么?在运行下面代码之前,请猜一猜:
model.predict([10.0])
## 18.980xxx 接近于19
我们可能会想到19,对吧?但最后输出比19低了一丁点儿。这是为什么呢?因为神经网络处理的是概率,所以根据我们向神经元网络提供的数据,它计算出X和y之间的关系是y=2x-1的概率非常高。但由于只有6个数据点,无法完全确定x和y的函数关系。因此,10对应的y值非常接近19,但不一定正好是19。当使用神经网络时,会看到这种模式反复出现。我们几乎总是在处理概率,而非确定的数值。并经常需要通过进一步编写程序,来找出概率所对应的结果,特别当处理分类问题时。
如果是训练 1500
次的话,结果更准确。
![](https://i-blog.csdnimg.cn/blog_migrate/6c44ab6ac853e66108b6037d2113fa12.png)