Tensorflow 入門項目實例

　　最近在deeplearning.ai上跟著做了幾個入門項目，受益匪淺，特記錄下來以便日后學習：

　　(一)預測房價，線性回歸

　　通過給出的房價市場價格，1個臥室的100k，2個臥室的150k。。。預測出7個臥室的房價。

　　只使用單神經元結構來預測房價，使用SGD優化器。

　　單神經元結構：等價于線性結構

　　， g=1(即線形激活函數)。

　　SGD：隨機梯度優化。

　　代碼：

　　import tensorflow as tf

　　import numpy as np

　　from tensorflow import keras

　　model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) *單神經元units=1

　　model.compile(optimizer='sgd', loss='mean_squared_error') *每次迭代訓練一個樣本且梯度下降運行一次更新一次損失函數。

　　xs = np.array([1, 2, 3, 4, 5, 6]) * 房間數量

　　ys = np.array([1,1.5 ,2, 2.5, 3, 3.5]) *將房價特征縮放/100k，加快模型收斂速度

　　model.fit(xs, ys, epochs=500) *訓練500次

　　print(model.predict([7])) *預測輸入為7的輸出...

　　結果：由于給出的樣本數量較小，訓練500次后預測結果為399.8k,基本擬合出50k+50k*n的房價規則。

　　.

　　.

　　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) 手寫數字辨認， Deep NN結構。

　　通過內置的minist 60000訓練集進行訓練。

　　要點：calback函數調用，達到目標值即中斷訓練。

　　DNN結構

　　代碼：無錫婦科醫院 http://www.bhnnk120.com/

　　import tensorflow as tf

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

　　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 *導入minist數據集

　　(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)), *將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])

　　結果：

　　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