Coursera TensorFlow 基础课程-week1

Posted 2022-11-22 fansy1990

A New Programming Paradigm

参考：Ubuntu 16 安装TensorFlow及Jupyter notebook 安装TensorFlow。

本篇博客翻译来自 Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning

仅供学习、交流等非盈利性质使用！！！

其他相关文章
Coursera TensorFlow 基础课程-week4
Coursera TensorFlow 基础课程-week3
Coursera TensorFlow 基础课程-week2
Coursera TensorFlow 基础课程-week1

文章目录

• A New Programming Paradigm
• • 1. 神经网络的“Hello World”
  • 2. Quiz:
  • 3. Excise

1. 神经网络的“Hello World”

给定如下的一组数字，如何拟合？

X = -1, 0 ,1 ,2 , 3, 4
Y = -3, -1,1 ,3 , 5, 7

如果用神经网络的方式该如何解决？

神经网络的解决方案是这样子的：

① 抽选一个拟合函数来对所有数据进行拟合；

② 使用损失函数来判读这次拟合的好坏；

③ 同时使用优化器来修改拟合函数，再次拟合；

④ 重复上面的步骤到指定次数，或收敛。

上面步骤的具体代码过程如下：

1. 定义模型

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

• keras.layers.Dense :定义一层神经网络；
• units： 这层神经网络中神经元的个数，如上面代码中，只有一个神经元；
• input_shape：说明输入的数据的维度；
• keras.Sequential : 定义一个线性模型；

2. 定义损失函数

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

损失函数就是指的是这次拟合的效果好坏，比如应用这次拟合后，预测值和真实值一点也不差，那么就说明拟合比较好。

3. 设置输入、输出

xs = np.array([-1, 0 ,1 ,2 , 3, 4] , dtype = float)
ys = np.array([-3, -1,1 ,3 , 5, 7] , dtype = float)

4. 拟合参数

model.fit(xs, ys, epochs = 500)

调用模型的fit函数即可来拟合模型的参数，而epochs则指的是拟合多少次。设置500次后，进行拟合，可以得到下面的结果：

Epoch 1/500
6/6 [==============================] - 1s 101ms/sample - loss: 60.8370
Epoch 2/500
6/6 [==============================] - 0s 501us/sample - loss: 48.2978
...
Epoch 499/500
6/6 [==============================] - 0s 451us/sample - loss: 7.3124e-05
Epoch 500/500
6/6 [==============================] - 0s 518us/sample - loss: 7.1621e-05

可以看到，最后拟合误差已经非常接近 0 了。

5. 预测新数据：

print(model.predict([10.0]))

[[18.97531]]

从预测结果来看结果非常接近19（如果用2x-1 = y 来拟合的话，结果就是19）。

所以结果不是19的理由是：

• 训练数据非常少，仅有6组数据；
• 10的预测结果有很大可能是19，但是神经网络并不能够确定，所以这里给出了一个概率值。

code download： link1 或 link2

拓展： From rules to data

说的就是：之前的给定一个规则和输入数据，然后就可以推测出新的数据的结果。而现在是给定输入输出数据，然后让神经网络模型训练，训练后，给新的输入即可得到输出，这就是和之前的不同。

2. Quiz:

1. 第 1 个问题
   The diagram for traditional programming had Rules and Data In, but what came out?

• Binary
• Machine Learning
• Bugs
• Answers

2. 第 2 个问题
   The diagram for Machine Learning had Answers and Data In, but what came out?

• Rules
• Models
• Binary
• Bugs

3. 第 3 个问题
   When I tell a computer what the data represents (i.e. this data is for walking, this data is for running), what is that process called?

• Labelling the Data
• Categorizing the Data
• Programming the Data
• Learning the Data

4. 第 4 个问题
   What is a Dense?

• A layer of disconnected neurons
• Mass over Volume
• A single neuron
• A layer of connected neurons

5. 第 5 个问题
   What does a Loss function do?

• Figures out if you win or lose
• Generates a guess
• Decides to stop training a neural network
• Measures how good the current ‘guess’ is

6. 第 6 个问题
   What does the optimizer do?

• Generates a new and improved guess
• Measures how good the current guess is
• Decides to stop training a neural network
• Figures out how to efficiently compile your code

7. 第 7 个问题
   What is Convergence?

• The process of getting very close to the correct answer
• A programming API for AI
• A dramatic increase in loss
• The bad guys in the next ‘Star Wars’ movie

8. 第 8 个问题
   What does model.fit do?

• It makes a model fit available memory
• It optimizes an existing model
• It trains the neural network to fit one set of values to another
• It determines if your activity is good for your body

My guess:
1. D
2. A
3. D
4. D
5. D
6. A
7. A
8. C 

3. Excise

房屋价格预测：一般来说，一个房子需要花费50k+50k，通常50K是底价，然后每加1间房，增加50K，所以1间房一般花费100k，2间房花费150k，以此类推。
那么如果7间房，耗费多少呢？接近400K么？
Hints：100K可以只使用1来代替。

import tensorflow as tf
import numpy as np
from tensorflow import keras
model = # Your Code Here#
model.compile(# Your Code Here#)
xs = # Your Code Here#
ys = # Your Code Here#
model.fit(# Your Code here#)
print(model.predict([7.0]))

The Answers: excise answer.