tensorflow2.0 简单代码实现模型训练

import random

"""1.做最简单的模型训练模型。
设g(a, x)=a*(x**2+x)，我们把g(a, x)看成是一个模型，其中a是输入，x是变量"""
def Y(a, x):
    return a*(x**2 + 4)

"""2.这里我们设定一个最终训练好的函数，假设我们最终想把x值训练成4，那么我们有：（这个函数用来帮我们获取标签，用来计算损失值）"""
def Z(a):
    return a*(4**2 + 4)

"""3.定义学习效率"""
lr = 0.01
"""4.初始化变量"""
x = tf.Variable(1.1,name = 'var')
"""5.设置优化器"""
optimizer = tf.keras.optimizers.Adam(lr=0.01)

for _ in range(500):
    """6.随机获取输入值"""
    input = random.randint(1,255)
    """7.把输入传入Z(a)函数获取目标值，用来计算损失值"""
    target = Z(input)
    with tf.GradientTape() as tape:
        """8.获取模型的预测值"""
        pre = Y(input, x)
        """9.损失值等于预测值与真实值的差的绝对值"""
        loss = abs(pre - target)

    """10.根据loss值以及变量x求梯度"""
    gradient = tape.gradient(loss,x)
    """11.优化器根据梯度，学习率等更新变量x的值"""
    optimizer.apply_gradients([(gradient, x)])

    if _%100 == 0:
        print("loss:", loss.numpy())
print("x: ", x.numpy())

输出结果：
loss: 281.01
loss: 2531.3486
loss: 265.39764
loss: 0.75561523
loss: 12.728516
x: 3.9989111