TensorFlow 示例摄氏度到华氏度的转换（二）

这是一个完整的神经网络实现，用于将摄氏度转换为华氏度。下面，我会逐步描述各个步骤，并提供完整代码。

1. 数据准备与预处理

在这部分，我们准备了摄氏度（features）与对应的华氏度（labels）数据。这些数据将作为输入和输出提供给神经网络。我们还需要将输入数据的形状调整为二维数组 (N, 1)，因为 TensorFlow 要求输入数据的形状为二维。

这些数据表示摄氏度到华氏度的转换公式：华氏度 = 摄氏度 × 9/5 + 32

复制代码

features = np.array([-50, -40, -10, 0, 8, 22, 35, 45, 55, 65, 75, 95], dtype=float)
labels = np.array([-58.0, -40.0, 14.0, 32.0, 46.4, 71.6, 95.0, 113.0, 131.0, 149.0, 167.0, 203.0], dtype=float)

2. 构建模型

我们使用 tf.keras.Sequential 创建一个简单的神经网络模型。该模型包含一个层，即 Dense 层，它表示一个全连接层。这个层的输入是一个数值（摄氏度），输出一个数值（华氏度）。

复制代码

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

3. 编译模型

在编译模型时，我们指定优化器为 Adam，并设置学习率为 0.1。损失函数使用 mean_squared_error，因为我们是进行回归任务。

复制代码

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

4. 训练模型

我们使用 fit() 方法进行训练。设定了 epochs=1000，即训练模型 1000 次。

复制代码

history = model.fit(features, labels, epochs=1000, verbose=1)

5. 评估模型

训练完成后，我们可以用 model.predict() 方法来做预测。输入一个摄氏度（例如 38.1°C），模型会输出预测的华氏度。

复制代码

print(model.predict(np.array([[38.1]])))  # 例如：预测38.1°C对应的华氏度

6. 模型应用与预测

我们通过调用 model.predict(np.array([[38.1]])) 来预测给定输入摄氏度对应的华氏度。

复制代码

prediction = model.predict(np.array([[10]]))
print(f"10°C 对应的华氏度是: {prediction[0][0]}")

7. 保存与加载模型

可以使用 model.save('model.h5') 来保存模型，使用 tf.keras.models.load_model('model.h5') 来加载保存的模型。

复制代码

model.save('temperature_model.h5')  # 保存模型
# 加载模型
loaded_model = tf.keras.models.load_model('temperature_model.h5')

8. 可视化损失变化

训练过程中，损失会随着训练轮数的增加而变化。我们通过 history.history['loss'] 获取训练过程中的损失变化，并用 matplotlib 可视化出来。

复制代码

plt.plot(history.history['loss'])
plt.title("Training Loss")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.show()

9. 完整代码

复制代码

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# 1. 数据准备与预处理
# 温度数据：摄氏度到华氏度的转换
features = np.array([-50, -40, -10, 0, 8, 22, 35, 45, 55, 65, 75, 95], dtype=float)
labels = np.array([-58.0, -40.0, 14.0, 32.0, 46.4, 71.6, 95.0, 113.0, 131.0, 149.0, 167.0, 203.0], dtype=float)

# 调整输入数据形状为二维数组 (N, 1)
features = features.reshape(-1, 1)

# 2. 构建模型
layer = tf.keras.layers.Dense(units=1, input_shape=[1])  # 输入一个值，输出一个值
model = tf.keras.Sequential([layer])

# 3. 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(0.1), loss='mean_squared_error')

# 4. 训练模型
history = model.fit(features, labels, epochs=1000, verbose=1)

# 5. 评估模型
# 预测新数据
print(model.predict(np.array([[38.1]])))  # 例如：预测38.1°C对应的华氏度
print(layer.get_weights())  # 查看训练后的模型权重

# 6. 模型应用与预测
# 例如：用模型预测其他摄氏度的华氏度值
# prediction = model.predict(np.array([[10]]))
# print(f"10°C 对应的华氏度是: {prediction[0][0]}")

# 7. 保存与加载模型
# 保存模型
# model.save('temperature_model.h5')
# 加载模型
# loaded_model = tf.keras.models.load_model('temperature_model.h5')

# 8. 可视化损失变化
plt.plot(history.history['loss'])
plt.title("Training Loss")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.show()

10. 总结

准备数据：摄氏度和对应的华氏度数据。
构建模型：使用 Keras 创建简单的神经网络模型。
编译模型：选择优化器、损失函数并设置学习率。
训练模型：用数据训练模型，让模型学习摄氏度到华氏度的关系。
评估与预测：用训练好的模型预测新的摄氏度对应的华氏度。
保存和加载模型：保存训练好的模型以便以后使用。
可视化损失变化：观察训练过程中的损失值，帮助评估模型效果。

每个步骤都有其目的和作用，希望通过这个逐步讲解，能帮助你更清楚地理解如何用神经网络进行温度转换任务！

11. 视频链接

https://v.douyin.com/ifnXmRHG/ 复制此链接，打开Dou音搜索，直接观看视频！