TensorFlow(keras)入门课程--01 机器学习的Hello World_机器学习的hello world-优快云博客

1 简介

请考虑以下问题：您正在构建一个健身跟踪活动识别系统。您可以访问一个人的移动速度，并尝试基于速度推测其活动：

if(speed<4){ status=WALKING; }

将此扩展为另一个条件运行：

if(speed<4){ status=WALKING; } else { status=RUNNING; }

在最终条件下，您可以类似的检测骑行：

if(speed<4){ status=WALKING; } else if(speed<12){ status=RUNNING; } else { status=BIKING; }

那么，考虑像高尔夫这样的活动会发生什么？突然间，如何创建规则确定活动就不那么明显了。

// Now what？

编写一个能够为我们打高尔夫活动的程序（用代码表示）是非常困难的。所以你会怎么样？这就是机器学习用来解决问题的地方！

2 什么是机器学习？

在上一节中，我们遇到了一个问题，在尝试确定用户的高尔夫活动时，在编写代码时遇到困难。

考虑以传统方式构建应用程序，如下图所示：

我们用编程语言表达规则，这些操作对数据其作用，程序提供答案。

而通过机器学习检测此活动状态的过程非常相似，但输入与输出不同：

我们不是试图定义规则并用编程语言来表达它们，而是提供答案（通常称为标签）以及数据，机器将推断出确定答案与数据之间的关系的规则。例如，我们的活动检测场景内在机器学习环境中可能如下图所示：

3 创建第一个机器学习模型

考虑以下几组数字，你能看出它们之间的关系吗？

在这里插入图片描述
当你看到它们时，你看你会注意到，当你从左向右阅读时，X值增加1，相应的Y值增加3，得到Y=3X+1的关系。

现在让我们来看看如何通过训练神经网络来完成上述任务。

导包

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

定义和编译神经网络

# 定义神经网络
model = tf.keras.Sequential([
    keras.layers.Dense(units=1,input_shape=[1])
])

WARNING:tensorflow:From D:\software\Anaconda\anaconda\lib\site-packages\tensorflow\python\ops\resource_variable_ops.py:435: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Colocations handled automatically by placer.

#编译神经网络 定义 优化器 和 损失函数
model.compile(optimizer="sgd",loss="mean_squared_error")

WARNING:tensorflow:From D:\software\Anaconda\anaconda\lib\site-packages\tensorflow\python\keras\utils\losses_utils.py:170: to_float (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.cast instead.

提供数据

xs = np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float)
ys = np.array([-2.0,1.0,4.0,7.0,10.0,13.0],dtype=float)

4 训练神经网络

model.fit(xs,ys,epochs=50)

WARNING:tensorflow:From D:\software\Anaconda\anaconda\lib\site-packages\tensorflow\python\ops\math_ops.py:3066: to_int32 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.cast instead.
Epoch 1/50
6/6 [==============================] - 0s 18ms/sample - loss: 26.1844
Epoch 2/50
6/6 [==============================] - 0s 412us/sample - loss: 20.6133
Epoch 3/50
6/6 [==============================] - 0s 328us/sample - loss: 16.2300
Epoch 4/50
6/6 [==============================] - 0s 246us/sample - loss: 12.7812
Epoch 5/50
6/6 [==============================] - 0s 248us/sample - loss: 10.0675

Epoch 45/50
6/6 [==============================] - 0s 414us/sample - loss: 0.0271
Epoch 46/50
6/6 [==============================] - 0s 331us/sample - loss: 0.0264
Epoch 47/50
6/6 [==============================] - 0s 331us/sample - loss: 0.0258
Epoch 48/50
6/6 [==============================] - 0s 248us/sample - loss: 0.0252
Epoch 49/50
6/6 [==============================] - 0s 248us/sample - loss: 0.0246
Epoch 50/50
6/6 [==============================] - 0s 165us/sample - loss: 0.0240


<tensorflow.python.keras.callbacks.History at 0x1b8067055f8>