The Hello World of Deep Learning

导入库

我们先从导入相关库开始。这里我们导入TensorFlow，并将其简称为tf来方便使用。

然后，我们导入一个名为numpy的库，该库可以帮助我们轻松地将数据表示为列表。

将神经网络定义为一组顺序层的框架称为keras，我们也将其导入。

import tensorflow as tf
import numpy as np
from tensorflow import keras

定义并编译神经网络

下面，我们将创建最简单的神经网络。它具有1层，并且该层只有1个神经元，其输入值也只有一个。

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

现在，我们开始编译神经网络。在做之前，我们必须指定两个函数，一个是损失函数，一个是优化器。

假设我们的函数中，数字之间的关系为。当计算机尝试“学习”时，会做出猜测，也许认为数字之间满足。损失函数根据已知的正确答案来衡量猜测的答案，并衡量其执行的好坏程度。

然后，它使用optimizer函数进行另一个猜测。基于损失函数的运行方式，它将尝试使损失最小化。到那时，也许会得到类似的结果，虽然此时的结果仍然很糟糕，但是更接近正确的结果。

它将重复此操作，最终重复的数量由epochs给出。但是首先，我们要告它所要使用的方法，即对损失使用均方误差，对optimizer使用随机梯度下降方法。

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

提供数据

接下来，我们将输入一些数据，取6组输入与输出。

x = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
y = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)

训练神经网络

训练神经网络的过程，是调用model.fit来学习x与y之间的关系。

model.fit(x, y, epochs=100)

经过上述步骤之后，我们得到了一个训练后的神经网络，它已经学习到了x与y之间隐藏的数学关系。我们使用model.predict方法来找出未知的x所对应的y。例如，如果x=10，y将会是什么？根据我们知道y应该是19，那么神经网络给我们的输出是多少？

print(model.predict([10.0]))

我们可以看到，预测的结果与我们期望的19非常接近。

code

import tensorflow as tf
import numpy as np
from tensorflow import keras

model = tf.keras.Sequential([keras.layers.Dense(input_shape=[1], units=1)])
model.compile(optimizer='sge', loss='mean_squared_error')

x = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
y = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)

model.fit(x, y, epochs=100)

print(model.predict([10.0]))