Tensor Flow V2：基于Tensor Flow Keras的摄氏度到华氏度温度转换的训练模型

理论知识

​​​​​​神经网络全连接层详解_17岁boy的博客-优快云博客

什么是Tensor Flow和lite以及数据流图_17岁boy的博客-优快云博客

什么是Keras？

Keras是一个由纯Python编写的人工神经网络库，可以用它来完成深度学习的应用，它的作者是François Chollet，目前已经加入谷歌，源代码是开放的基于MIT开源许可方式开源在Github上。

实战温度转换模型训练

首先第一步导入tensor flow包于numpy包，用numpy主要用于处理矩阵，我们在存储数据集的时候用numpy来做存储与处理，然后在转化为tf的向量

#!/usr/bin/env python
# coding=utf-8
import tensorflow as tf
import numpy as np

然后生成两组数据集，一组是摄氏度一组是华氏度，这里需要注意需要让两组数据是对应关系的，然后才能在训练的时候让神经网络找出对应关系的规律，就像我们人一样在计算某些有规律的数字时通过统计就能找出其中的差值，其实这一过程就是在不停的统计

celsius       = np.array([-40,-10,0,8,15,22,38], dtype=float)
fahrenheit    = np.array([-40,14,32,46,59,72,100], dtype=float)

下面就是建立全连接层模型，首先看一下Keras建立全连接层模型的函数原型：

tf.keras.layers.Dense(
    units,       # 正整数，输出空间的维数
    inputs=64,  # 输入张量大小
    activation=None,  # 选择使用的（激活函数）
    use_bias=True,  # 是否使用（偏置项）
    kernel_initializer=None,  # Kernel权重矩阵的初始值设定项
    bias_initializer=tf.zeros_initializer(),  # 偏差向量的初始值设定项
    kernel_regularizer=None,  # 正则化函数应用于核权矩阵
    activaty_regularizer=None,  # 应用于偏差向量的正则化函数
    kernel_constraint=None,  # 对主权重矩阵进行约束
    bias_constraint=None,  # 对偏置向量进行约束
    trainable=True,  # 可以设置为不可训练，（冻结）网络层
    name=None,  # 层的名字
    reuse=None  # 是否重复使用参数
)

重点参数介绍：

• units 输出维数大小
• inputs 输入空间维度尺寸，用input_shape来输入

下面代码创建了一个全连接层

l0 = tf.keras.layers.Dense(units=1,input_shape=[1])

选择模型，把刚刚创建好的全连接层模型传入

model = tf.keras.Sequential([l0])

模型编译,compile，参数介绍

model.compile(optimizer = 优化器，
 
                        loss = 损失函数，mean_squared_error、categorical_crossentropy...
 
                        metrics = ["准确率”])

编译模型

model.compile(loss="mean_squared_error",optimizer=tf.keras.optimizers.Adam(0.1))

训练函数:fit原型

model.fit( 训练集的输入特征，
 
                训练集的标签， 
 
                batch_size,  #每一个batch的大小
 
                epochs,   #迭代次数
 
                validation_data = (测试集的输入特征，测试集的标签），
 
                validation_split = 从测试集中划分多少比例给训练集，
 
                validation_freq = 测试的epoch间隔数）

开始训练

history = model.fit(celsius,fahrenheit,epochs=500,verbose=True)

训练后可以调用model的predict来预测结果

print(model.predict([50.0]))

运行结果：

[[120.27382]]

50摄氏度等于122华氏度，仅仅训练了500次相差大概2，在训练个几万次基本上就已经达到精确了

如果想保存模型的话在Tensor Flow2.0非常简单，Tensor Flow2.0提供了h5模型文件使用model.save可以直接保存

model.save("test.h5")

完整代码：

#!/usr/bin/env python
# coding=utf-8
import tensorflow as tf
import numpy as np
 
celsius       = np.array([-40,-10,0,8,15,22,38], dtype=float)
fahrenheit    = np.array([-40,14,32,46,59,72,100], dtype=float)
 
l0 = tf.keras.layers.Dense(units=1,input_shape=[1])
model = tf.keras.Sequential([l0])
 
model.compile(loss="mean_squared_error",optimizer=tf.keras.optimizers.Adam(0.1))
history = model.fit(celsius,fahrenheit,epochs=500,verbose=True)
 
print(model.predict([50.0]))
 
model.save("test.h5")