2 用TensorFlow构建一个简单的神经网络

上一篇：1 如何入门TensorFlow-CSDN博客

1、环境搭建

后续介绍的相关代码都是在pycharm运行，pycharm安装略。

打开pycharm，创建一个新的项目用于tensorflow编码练习，在Terminal输入命令：

依赖最新版本的pip

pip install --upgrade pip

安装tensorflow

pip install tensorflow

其他依赖项，可以在后续编码用到时根据系统提示信息再安装。

---

2、传统编程和机器学习的区别

用一个简单的例子介绍，比如我们写一个计算西瓜价格的程序，计算公式是：

费用=单价*重量+包装费

给出西瓜单价是1.2元/斤，包装费（可降解塑料袋）固定为0.5元

则计算公式为 费用=1.2元/斤*重量+0.5元

2.1 Python程序实现价格计算

先用Python程序实现，直接将费用计算公式写在程序里：

def watermelon_total_cost(weight):
    # 费用计算公式
    total_cost = 1.2 * weight + 0.5
    return total_cost


watermelon_weight = float(input('请输入西瓜的重量：'))
cost = watermelon_total_cost(watermelon_weight)
print('费用是：%.2f' % cost)

如果输入10斤时，则程序输出费用：

2.2 机器学习实现价格预测

如果没有在程序里写死费用的计算公式，计算机如何通过训练得到这一规则？

先给出一些重量和对应费用的数据，让机器通过训练这些数据找到规则：

weight=[1, 3, 4, 5, 6, 8]

total_cost=[1.7, 4.1, 5.3, 6.5, 7.7, 10.1]

先上代码，不用急着去了解每行代码的含义，后面章节会详细解释。

import numpy as np
import tensorflow as tf

# 西瓜的重量
weight = np.array([1, 3, 4, 5, 6, 8], dtype=float)

# 对应的费用
total_cost = np.array([1.7, 4.1, 5.3, 6.5, 7.7, 10.1], dtype=float)

model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=[1])
])

model.compile(loss=tf.losses.mean_squared_error, optimizer='SGD')

history = model.fit(weight, total_cost, epochs=500, verbose=False)

# 训练完成后，预测10斤西瓜的总费用
print(model.predict([10]))

程序运行结果：

预测结果是12.521......，和准确值12.5非常接近！

由上面可以看出之前我们写的程序是需要事先定义好程序的规则，才能得到答案。而机器学习是给出数据和答案，让机器通过训练得到它们之间的数学关系。