tensorflow2.x 线性回归 与 tensorflow1.x区别

在学习莫烦python中tensorflow教程中遇到
loss passed to Optimizer.compute_gradients should be a function when eager execution is enabl
以及根据网上修改后出现
No variables to optimize等错误代码

出现问题的原因呢就是因为tensorflow1.x版本和2.x版本问题,不要以为将指令改为2.X版本的就万事大吉了,根出问题了.

为了方便对比理解,附上大佬源代码
并用相同数据和先同思路及算法,附上我写的2.3版本

下面是莫烦大佬源代码

from __future__ import print_function
import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

### create tensorflow structure start ###
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
### create tensorflow structure end ###

sess = tf.Session()
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()
sess.run(init)

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

此代码在tensorflow1.x版本运行无误

下面是我写的2.x版本已经最终结果

import tensorflow as tf
import numpy as np
x = np.random.rand(100).astype(np.float32)
y = x*0.1 + 0.3
# 建立顺序模型
model = tf.keras.Sequential(tf.keras.layers.Dense(1, input_shape=(1,)))
#model.summary  #显示模型结构
# 配置优化器,损失函数
#optimizer='adam' 梯度下降算法
#loss = 'mse' 均方差
#metrics='weight'显示数据
model.compile(optimizer='adam',loss = 'mse',metrics='weight')

# 训练模型
#epochs = 2000 训练次数
model.fit(x, y, epochs=2000)