2020-12-08

tensorflow入门实例（1）

Anaconda下载地址
tensorflow环境搭建
学习实例一：神经元网络深度学习的起步程序Hello World
第一个应用程序总是应该从超级简单的东西开始，这样可以看到代码如何产生和运作的整体框架。

就创建神经网络而言，我喜欢使用的例子是一个能够学习两组数字之间函数关系的神经元。具体来说，如果你在写下面函数的代码，表明你已经知道了这个函数的"规则"，即x和y的映射关系。

float hw_function(float x){
    float y = (2 * x) - 1;
    return y;
}

那么，如何训练一个神经网络来完成同等的任务呢? 用数据！用数据来训练神经网络。通过给它输入一组X，和一组Y，它应该能够找出它们之间的关系。

这显然和你习惯的范式很不一样，所以让我们一步步来了解它。

import tensorflow as tf  #导入tensorflow
import numpy as np   #导入numpy
from tensorflow import keras  
#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

model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])   
#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.compile(optimizer='sgd', loss='mean_squared_error')

xs = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
#我们将提供一些数据。对于本案例，我们提供6个X和6个Y
#可以看到它们之间的关系是y=2x-1，所以当X=-1，y=-3，以此类推

model.fit(xs, ys, epochs=500)  #训练500次

print(model.predict([10.0]))  #输出结果

运行得到以下结果说明你成功了（以下是截取最后的预测的结果）：

Epoch 495/500
6/6 [] - 0s 0us/step - loss: 5.2206e-05
Epoch 496/500
6/6 [] - 0s 0us/step - loss: 5.1134e-05
Epoch 497/500
6/6 [] - 0s 166us/step - loss: 5.0083e-05
Epoch 498/500
6/6 [] - 0s 166us/step - loss: 4.9054e-05
Epoch 499/500
6/6 [] - 0s 0us/step - loss: 4.8047e-05
Epoch 500/500
6/6 [] - 0s 165us/step - loss: 4.7060e-05
[[ 18.97998619]]