tensorflow学习笔记（1）

21年9月8日——tensorflow

传统的编程思路是设计好函数（function），设置好输入，求得输出。
而机器学习的思维是输入和输出都是数据集，计算机通过学习得出模型（model）。

import keras
import numpy as np

#input_shape：张量的维度
model = keras.Sequential([keras.layers.Dense(units = 1, input_shape = [1])])

#sgd:随机梯度下降， mean_squared_error：最小均方误差
model.compile(optimizer = 'sgd', loss = 'mean_squared_error') 

xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0, 9.0, 11.0], dtype=float)

model.fit(xs, ys, epochs = 10000)

print(model.predict([10.0]))

optimizer = 'sgd' #sgd指的是stochastic gradient descent,随机梯度下降法。

oss = 'mean_squared_error' #最小均方误差求得loss function

model.fit(xs, ys, epochs = 10000) #epochs指的是更新10000轮

从结果可以看出loss已经足够小了，但是接近19却得不到19，原因是数据太少，只有8组数据。

代码：https://colab.research.google.com/drive/14LjW8k7iUFP8MOIpN7AU3fx64eoRBrL_#scrollTo=jqlz7zkePnkQ