3 tensorflow构建模型详解

1、神经网络概念

接上一篇，用tensorflow写了一个猜测西瓜价格的简单模型，理解代码前先了解下什么是神经网络。

下面是百度AI对神经网络的解释：

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

神经网络是一种广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。

2、密集层

在上一篇我们创建了预测价格模型，其中代码为：

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

意思是构建了一个模型，里面添加了一层神经网络，只有一个神经元。（Sequential是顺序的意思，Dense是密集层。）

密集层（也叫全连接层），在神经网络中指的是每个神经元都与前一层的所有神经元相连的层。

举个例子，如下图所示：神经元a1与所有输入层数据相连（X1,X2,X3），其他神经元也一样都与上一层神经元相连。

它们之间的数学关系为：

某个神经元是由连接的上一层神经元分别乘上权重（w）,再加上偏差（b）得到，例如计算a1：

权重w的数字下标可以按照顺序命名，比如第一个神经元计算的权重可以为w11、w12......，第二个神经元计算的权重可以为w21、w22......

a2、a3计算以此类推。

3、西瓜费用预测模型详解

上一篇西瓜费用计算公式：费用=1.2元/斤*重量+0.5元

即：y=1.2x+0.5

这是一个一元线性回归问题，只有一个自变量x和一个因变量y，机器学习要推算出权重w=1.2, 偏差b=0.5，才能准确预测费用。

代码如下：

python 复制代码

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)

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

下面是代码详解：

（1）训练数据准备

西瓜重量 weight= $1, 3, 4, 5, 6, 8$

对应的费用 total_cost= $1.7, 4.1, 5.3, 6.5, 7.7, 10.1$

（2）构建模型

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

tf.keras.layers.Dense(1, input_shape= $1$ )，参数1表示1个神经元，我们只要预测费用y，所以输出层只要一个神经元就可以了（注意：神经元不用包含输入层）。
input_shape= $1$ ，表示输入数据的形状为单元素列表，即每个输入数据只有一个值。因为只有一个变量x(西瓜的重量)，所以此处输入形状是 $1$

该模型的示意图：

可以用model.summary()查看模型摘要，代码如下：

python 复制代码

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])
])


# 查看模型摘要
model.summary()

运行结果：

可以看到可训练参数有2个，即公式中的w1和b1。

（3）设置损失函数和优化器

复制代码

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

mean_squared_error是均方误差，指的是预测值与真实值差值的平方然后求和再平均。公式为：

MSE=1/n Σ(P-G)^2 （P为预测值，G为真实值）

SGD即随机梯度下降（Stochastic Gradient Descent），是一种迭代优化算法。

（4）设置训练数据

复制代码

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

设置训练数据的特征和标签，在上述代码中分别是西瓜的重量和费用：weight、total_cost
设置训练轮次epochs=500，1个epochs是指使用所有样本训练一次。

(5) 查看训练结果

看下面的训练过程，第8个epoch的时候损失值loss已经很小了，训练轮次不需要设置到500就可以有很好的预测效果了。

刚开始loss很高，使用优化算法慢慢调整了权重，loss值可以很好地衡量我们的模型有多好。

我们把epoch的值调小，看看程序猜测的权重（w）和偏差（b）是多少，以及loss值的计算。

复制代码

代码改动如下：

epochs=5
用model.get_weights()获取程序猜测的权重数据

python 复制代码

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=5)

# 获取权重数据
w = model.get_weights()[0]
b = model.get_weights()[1]

print('w：')
print(w)
print('b: ')
print(b)

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

运行结果：

训练了5个epoch后，程序猜测w是1.1807659，b为0.33192113

y=wx+b=1.1807659*10+0.33192113=12.139581

所以预测10斤西瓜的总费用是12.139581

4、创建更复杂一点的模型

现实生活中我们要预测的东西影响因素可能有很多个，如房价预测，房价可能受到房屋面积、房间数量等等因素影响。思考一下，下面的神经网络图创建模型时要如何设置参数呢？

python 复制代码

model = tf.keras.Sequential([
    tf.keras.layers.Dense(2, input_shape=[3]),
    tf.keras.layers.Dense(1)
])