使用张量流的最佳案例

Posted 2023-03-12

【中文标题】使用张量流的最佳案例

【英文标题】：Best case to use tensorflow

【发布时间】：2020-04-14 21:08:45

【问题描述】：

我遵循了文章中提到的所有步骤：

https://stackabuse.com/tensorflow-2-0-solving-classification-and-regression-problems/

然后我用Linear Regression对比结果，发现误差比tensorflow模型(84)小(68)。

from sklearn.linear_model import LinearRegression
logreg_clf = LinearRegression()
logreg_clf.fit(X_train, y_train)
pred = logreg_clf.predict(X_test)
print(np.sqrt(mean_squared_error(y_test, pred)))

这是否意味着如果我有大数据集，我会得到比线性回归更好的结果？ 最好的情况是什么 - 我应该在什么时候使用 tensorflow？

【参考方案1】：

回答您的第一个问题，神经网络在较小的数据集上以 overfitting 而闻名，在这里您将简单线性回归模型与测试数据集上具有两个隐藏层的神经网络的性能进行比较，所以它是看到 MLP 模型落后于线性回归模型（假设您使用的是相对较小的数据集），这并不奇怪。更大的数据集肯定会帮助神经网络学习更准确的参数并很好地概括现象。

现在来回答您的第二个问题，Tensorflow 基本上是一个用于构建深度学习模型的库，因此，无论何时处理图像识别、自然语言处理等深度学习问题，您都需要强大的计算能力，并且将进行处理大量数据来训练你的模型，而这正是 TensorFlow 派上用场的地方，它为你提供 GPU 支持，这将显着提升你的训练过程，否则这实际上是不可能的。此外，如果您要构建的产品必须部署在生产环境中才能使用，您可以使用TensorFlow Serving，它可以帮助您将模型更贴近客户。

希望这会有所帮助！