TensorFlow简单的线性回归任务

如何使用 TensorFlow 和 Keras 创建、训练并进行预测

[1. 数据准备与预处理](#1. 数据准备与预处理)

[2. 构建模型](#2. 构建模型)

[3. 编译模型](#3. 编译模型)

[4. 训练模型](#4. 训练模型)

[5. 评估模型](#5. 评估模型)

[6. 模型应用与预测](#6. 模型应用与预测)

[7. 保存与加载模型](#7. 保存与加载模型)

8.完整代码


1. 数据准备与预处理

我们将使用一个简单的线性回归问题,其中输入特征 x 和标签 y 之间存在线性关系。我们创建一个训练数据集,并将标签设置为输入特征的两倍加上一些噪声。

复制代码
import numpy as np
import tensorflow as tf

# 创建训练数据,x 是输入特征,y 是标签(y = 2 * x + 噪声)
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=float)  # 输入数据
y = 2 * x + np.random.normal(0, 1, size=x.shape)  # 标签数据,加一些噪声

2. 构建模型

我们使用一个简单的神经网络来进行线性回归。这个网络只有一个全连接层,激活函数是线性的。

复制代码
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_dim=1, activation='linear')  # 线性激活函数
])

3. 编译模型

使用 SGD 优化器和均方误差损失函数,适合线性回归问题。

复制代码
model.compile(optimizer='sgd', loss='mean_squared_error')

4. 训练模型

训练模型时,我们设置 1000 个训练周期,并传入数据 x 和标签 y

复制代码
model.fit(x, y, epochs=1000)

5. 评估模型

训练结束后,我们评估模型的表现,使用 evaluate 函数来查看损失值。

复制代码
loss = model.evaluate(x, y)
print(f"模型的损失值:{loss}")

6. 模型应用与预测

训练完成后,我们使用 model.predict() 来进行预测。你可以将新的输入数据传入模型,得到预测结果。

复制代码
# 使用模型进行预测
new_x = np.array([11, 12, 13, 14, 15], dtype=float)
predictions = model.predict(new_x)

print("新的输入数据预测结果:")
print(predictions)

7. 保存与加载模型

你还可以保存和加载训练好的模型,以便在未来使用。\

复制代码
# 保存模型
model.save('linear_model.keras')

# 加载模型
loaded_model = tf.keras.models.load_model('linear_model.keras')

# 使用加载的模型进行预测
loaded_predictions = loaded_model.predict(new_x)
print("加载的模型预测结果:")
print(loaded_predictions)

8.完整代码

复制代码
import numpy as np
import tensorflow as tf

# 创建训练数据,x 是输入特征,y 是标签(y = 2 * x + 噪声)
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=float)
y = 2 * x + np.random.normal(0, 1, size=x.shape)

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_dim=1, activation='linear')  # 线性激活函数
])

# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')

# 训练模型
model.fit(x, y, epochs=1000)

# 评估模型
loss = model.evaluate(x, y)
print(f"模型的损失值:{loss}")

# 使用模型进行预测
new_x = np.array([11, 12, 13, 14, 15], dtype=float)
predictions = model.predict(new_x)

print("新的输入数据预测结果:")
print(predictions)

# 保存模型
model.save('linear_model.keras')

# 加载模型
loaded_model = tf.keras.models.load_model('linear_model.keras')

# 使用加载的模型进行预测
loaded_predictions = loaded_model.predict(new_x)
print("加载的模型预测结果:")
print(loaded_predictions)
相关推荐
时序之心7 分钟前
ICML 2025 | 深度剖析时序 Transformer:为何有效,瓶颈何在?
人工智能·深度学习·transformer
希艾席帝恩22 分钟前
拥抱智慧物流时代:数字孪生技术的应用与前景
大数据·人工智能·低代码·数字化转型·业务系统
Bar_artist25 分钟前
离线智能破局,架构创新突围:RockAI与中国AI的“另一条车道”
大数据·人工智能
双向3331 分钟前
高性能MCP服务器架构设计:并发、缓存与监控
人工智能
weixin_4640780737 分钟前
机器学习sklearn:处理缺失值
人工智能·机器学习·sklearn
2202_7567496941 分钟前
04 基于sklearn的机械学习-梯度下降(上)
人工智能·算法·机器学习
图灵学术计算机论文辅导1 小时前
提示+掩膜+注意力=Mamba三连击,跨模态任务全面超越
论文阅读·人工智能·经验分享·科技·深度学习·考研·计算机视觉
Albert_Lsk2 小时前
【2025/08/01】GitHub 今日热门项目
人工智能·开源·github·开源协议
居然JuRan2 小时前
解锁GraphRAG:大模型背后的高效工作流
人工智能
牛客企业服务2 小时前
2025校招AI应用:校园招聘的革新与挑战
大数据·人工智能·机器学习·面试·职场和发展·求职招聘·语音识别