Learning Tensorflow Part 1

下面将逐步说明完成一个简单的神经网络所需的步骤.

1. 构造单层神经网络

首先构造一层使用tf.keras.layers.Dense, 这里Dense为全连接层.

import tensorflow as tf
l0 = tf.keras.layers.Dense(units=4, input_shape=[1])
l1 = tf.keras.layers.Dense(units=4)
l2 = tf.keras.layers.Dense(units=1)

• units表示输出的维数.
• input_shape表示输入的维数, 这个参数在官方文档中并没有介绍, 如果删除也不影响后续的使用.

2. 确定神经网络的框架

model = tf.keras.Sequential([l0, l1, l2])

模型由l0到l2组成.

3. 构造误差函数

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

• loss为损失函数
• optimizer为优化函数, 默认为rmsprop, 这里设置为了Adam.

4. 训练

history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)

这里fit的第一选项为输入函数, 第二个选项为输出函数,

• ephochs表示迭代优化的次数.

5. 输出

训练之后, 使用网络进行输出为model.predict()
返回的参数直接调用l0.get_weights()