Tensorflow学习Demo-C/F温度转换

此案例为Udacity的Tensorflow课程案例，摄氏度与华氏度转换模型。
Source:
https://colab.research.google.com/github/tensorflow/examples/blob/master/courses/udacity_intro_to_tensorflow_for_deep_learning/l02c01_celsius_to_fahrenheit.ipynb#scrollTo=_F00_J9duLBD

1. 导入依赖

import tensorflow as tf
import numpy as np

2. 设置训练数据

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

for i,c in enumerate(celsius_q):
  print("{} degrees Celsius = {} degrees Fahrenheit".format(c, fahrenheit_a[i]))

3. 创建模型

（1）构建层

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

（2）将层导入到模型中

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

3. 编译模型

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

4. 训练模型

history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)
print("Finished training the model")

5. 图像化显示

import matplotlib.pyplot as plt
plt.xlabel('Epoch Number')
plt.ylabel("Loss Magnitude")
plt.plot(history.history['loss'])

6. 通过模型预测结果

print(model.predict([100.0]))

7. 查看层的权重

print("These are the layer variables: {}".format(l0.get_weights()))

8. 相关术语

• 特征：模型的输入
• 样本：用于训练流程的输入/输出对
• 标签：模型的输出
• 层级：神经网络中相互连接的节点集合。
• 模型：神经网络的表示法
• 密集全连接层 (FC)：一个层级中的每个节点都与上个层级中的每个节点相连。
• 权重和偏差：模型的内部变量
• 损失：期望输出和真实输出之间的差值
• MSE：均方误差，一种损失函数，它会将一小部分很大的差值视作比大量很小的差值更糟糕。
• 梯度下降法：每次小幅调整内部变量，从而逐渐降低损失函数的算法。
• 优化器：梯度下降法的一种具体实现方法。（有很多算法。在这门课程中，我们将仅使用“Adam”优化器，它是 ADAptive with Momentum 的简称，并且被视为最佳优化器。）
• 学习速率：梯度下降过程中的损失改进“步长”。
• 批次：在训练神经网络的过程中使用的一组样本。
• 周期：完全经过整个训练数据集一轮
• 前向传播：根据输入计算输出值
• 反向传播：根据优化器算法计算内部变量的调整幅度，从输出层级开始，并往回计算每个层级，直到抵达输入层。