Tensorflow入门项目实例

最近在deeplearning.ai上跟着做了几个入门项目，受益匪浅，特记录下来以便日后学习：

创新互联长期为数千家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为槐荫企业提供专业的网站制作、做网站，槐荫网站改版等技术服务。拥有十余年丰富建站经验和众多成功案例,为您定制开发。

(一)预测房价，线性回归

通过给出的房价市场价格，1个卧室的100k，2个卧室的150k。。。预测出7个卧室的房价。

只使用单神经元结构来预测房价，使用SGD优化器。

单神经元结构：等价于线性结构

， g=1(即线形激活函数)。

SGD：随机梯度优化。

代码：

import tensorflow as tf

import numpy as np

from tensorflow import keras

model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) *单神经元units=1

model.compile(optimizer='sgd', loss='mean_squared_error') *每次迭代训练一个样本且梯度下降运行一次更新一次损失函数。

xs = np.array([1, 2, 3, 4, 5, 6]) * 房间数量

ys = np.array([1,1.5 ,2, 2.5, 3, 3.5]) *将房价特征缩放/100k，加快模型收敛速度

model.fit(xs, ys, epochs=500) *训练500次

print(model.predict([7])) *预测输入为7的输出...

结果：由于给出的样本数量较小，训练500次后预测结果为399.8k,基本拟合出50k+50k*n的房价规则。

.

.

Epoch 497/500

6/6 [==============================] - 0s 509us/sample - loss: 1.3851e-06

Epoch 498/500

6/6 [==============================] - 0s 325us/sample - loss: 1.3749e-06

Epoch 499/500

6/6 [==============================] - 0s 305us/sample - loss: 1.3649e-06

Epoch 500/500

6/6 [==============================] - 0s 388us/sample - loss: 1.3549e-06

[[3.998321]]

(二) 手写数字辨认， Deep NN结构。

通过内置的minist 60000训练集进行训练。

要点：calback函数调用，达到目标值即中断训练。

DNN结构

代码：无锡妇科医院 http://www.bhnnk120.com/

import tensorflow as tf

class myCallback(tf.keras.callbacks.Callback): *callback对象

def on_epoch_end(self, epoch, logs={}):

if(logs.get('acc')>0.99):

print("\nReached 99% accuracy so cancelling training!")

self.model.stop_training = True

mnist = tf.keras.datasets.mnist *导入minist数据集

(x_train, y_train),(x_test, y_test) = mnist.load_data()

x_train, x_test = x_train / 255.0, x_test / 255.0

callbacks = myCallback()

model = tf.keras.models.Sequential([

tf.keras.layers.Flatten(input_shape=(28, 28)), *将28*28像素列表化

tf.keras.layers.Dense(512, activation=tf.nn.relu),

tf.keras.layers.Dense(10, activation=tf.nn.softmax)

])

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, callbacks=[callbacks])

结果：

Epoch 1/10

60000/60000 [==============================] - 7s 119us/sample - loss: 0.2020 - acc: 0.9411

Epoch 2/10

60000/60000 [==============================] - 7s 116us/sample - loss: 0.0803 - acc: 0.9753

Epoch 3/10

60000/60000 [==============================] - 7s 124us/sample - loss: 0.0536 - acc: 0.9833

Epoch 4/10

60000/60000 [==============================] - 7s 122us/sample - loss: 0.0373 - acc: 0.9879

Epoch 5/10

59872/60000 [============================>.] - ETA: 0s - loss: 0.0264 - acc: 0.9919

Reached 99% accuracy so cancelling training!

60000/60000 [==============================] - 7s 125us/sample - loss: 0.0263 - acc: 0.9920