了解机器学习，深度学习整体流程。

1、生成数据集

本例子是人工生成的数据集，里面有数据x_data。

  1. import tensorflow as tf
  2. import matplotlib.pyplot as plt
  3. # 定义正确的权重和偏置
  4. TRUE_W = 3.0   #这权值里我们是要通过模型预测出权重
  5. TRUE_b = 2.0   #这权值里我们是要通过模型预测出偏置
  7. # 制作训练数据,添加一些噪声进去
  8. NUM_EXAMPLES = 100
  9. inputs = tf.random.normal(shape=[NUM_EXAMPLES])  #制作的数据集
  10. noise = tf.random.normal(shape = [NUM_EXAMPLES])
  11. outputs = inputs * TRUE_W + TRUE_b + noise    #这是我的标签
  1. plt.scatter(inputs, outputs, label='Original data')
  2. plt.show()

image.png
可以看到上图，数据集有inputs，outputs。现在我们要找到一种模型，这种模型可以总结出数据集的特点。

2、构建模型

下面就是定义的一个简单的模型，线性模型 self.W * inputs + self.b。

  1. #定义模型和损失函数
  2. class Model(object):
  3.     def __init__(self): #初始化参数
  4.         self.W = tf.Variable(10.0)
  5.         self.b = tf.Variable(-5.0)
  6.      #基于函数定义的模型
  7.     def __call__(self, inputs):
  8.         return self.W * inputs + self.b
  9. #设计它的损失函数
  10. def compute_loss(y_true, y_pred):
  11.     return tf.reduce_mean(tf.square(y_true-y_pred))
  12. model = Model()
  1. def plot(epoch):  #传入epoch参数，
  2.     plt.scatter(inputs, outputs, c='b')  # 画散点图，传入inputs，outputs数据集，c是颜色为blue
  3.     plt.scatter(inputs, model(inputs), c='r')  #传入inputs, 预测的model(inputs)，c是红色
  4.     plt.title("epoch %2d, loss = %s" %(epoch, str(compute_loss(outputs, model(inputs)).numpy())))
  5.     plt.legend()  #plt.legend（）函数主要的作用就是给图加上图例，
  6.     plt.draw()  #将重新绘制该数字.这允许您以交互模式工作,如果您更改了数据或格式,则允许图表本身更改.
  7.     plt.ion()   # # 打开交互模式
  8.     plt.pause(1)#plt.pause()会把它之前的所有绘图都绘制在对应坐标系中，而不仅仅是在当前坐标系中绘图；
  9.     #plt.pause(time)函数也能实现窗口绘图（不需要plt.show）,但窗口只停留time时间便会自动关闭，然后再继续执行后面代码；
  10.     plt.close()

3、训练模型

最主要的是训练模型，训练的主要内容是：先前向传播，计算损失，在反向传播，更新参数。

  1. learning_rate=0.2  #设置损失函数的学习率
  2. epoch=30   #设置epoch的数量   ，1个epoch是一整个数据集，bachsize是一次性送入网络中的样本数量，用总的数据集/bachsize=迭代数
  3. for i in range(epoch):  #进行for循环
  4.     with tf.GradientTape() as tape:
  5.         loss = compute_loss(outputs, model(inputs)) # 计算损失
  6.     dW, db = tape.gradient(loss, [model.W, model.b])  # 计算梯度
  7.     model.W.assign_sub(learning_rate * dW)  # 更新权重
  8.     model.b.assign_sub(learning_rate * db)  # 更新权重
  10.     print("=> epoch %2d: w_true= %.2f, w_pred= %.2f; b_true= %.2f, b_pred= %.2f, loss= %.2f" %(
  11.           i+1, TRUE_W, model.W.numpy(), TRUE_b, model.b.numpy(), loss.numpy()))
  12.     plot(i+1)
  13.     i += 1

image.png

image.png

4、测试数据

模型里面的参数已经训练好了，可以拿着参数，验证一下测试集是否准确。

5、评估模型

拿着测试出来的数据，选择好评估函数看正确率怎么样。