TensorFlow 深度学习 | 使用 Python 读取 Numpy 数据训练 DNN 模型

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

TensorFlow 深度学习：使用 Python 读取 Numpy 数据训练 DNN 模型

在深度学习的实际项目中，我们经常会遇到这样一种情况：数据并不是存储在 CSV 或数据库中，而是以 Numpy 数组的形式存在。这种情况下，如何使用 TensorFlow 构建并训练深度神经网络（DNN, Deep Neural Network）模型呢？

本文将详细介绍：

1. 如何读取 Numpy 数据并转化为 TensorFlow 可用的数据集；
2. 如何构建一个简单的 DNN 模型；
3. 如何训练与评估模型；
4. 如何对数据进行标准化、使用 Dataset API、保存加载模型、应用过拟合防治方法；
5. 提供可运行的完整代码示例。

---

📌 一、准备工作

在开始之前，请确保你已经安装了以下依赖环境：

pip install tensorflow numpy scikit-learn matplotlib

其中：

• TensorFlow：深度学习框架
• Numpy：科学计算库，用于数据处理
• Scikit-learn：用于数据标准化和数据集划分
• Matplotlib：用于绘制训练曲线

---

📊 二、构造并读取 Numpy 数据

在实际项目中，你可能直接有 .npy 或 .npz 文件，这些文件是 Numpy 的数据存储格式。这里我们演示两种情况：

构造模拟数据

我们先构造一个二分类任务的数据集，用于演示模型训练：

import numpy as np

# 设置随机种子，保证结果可复现
np.random.seed(42)

# 生成输入特征 (1000 个样本，每个样本有 20 个特征)
X = np.random.rand(1000, 20)

# 构造标签 (0 或 1)
y = (np.sum(X, axis=1) > 10).astype(int)

# 保存数据到文件
np.save("features.npy", X)
np.save("labels.npy", y)

从 Numpy 文件读取数据

# 读取 Numpy 文件
X = np.load("features.npy"