TensorFlow(Python

回归任务旨在从输入训练数据中预测连续变量，而分类任务旨在将输入数据分为两个或多个类别。 例如，预测某一天是否会下雨的模型是一项分类任务，因为模型的结果将分为两类——下雨或不下雨。 然而，预测给定日期的降雨量的模型将是回归任务的一个示例，因为模型的输出将是一个连续变量——降雨量。

顺序模型

Python代码示例

顺序模型适用于简单的层堆栈，其中每一层都有一个输入张量和一个输出张量。

例如，以下顺序模型：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# Define Sequential model with 3 layers
model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)
# Call model on a test input
x = tf.ones((3, 3))
y = model(x)

相当于这个函数：

# Create 3 layers
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")

# Call layers on a test input
x = tf.ones((3, 3))
y = layer3(layer2(layer1(x)))

顺序模型用于构建回归和分类模型。 在顺序模型中，信息通过网络从开始的输入层传播到最后的输出层。 层按顺序堆叠在模型中，每一层都有一个输入和一个输出。

使用 TensorFlow 创建 ANN

目标预测示例：

数据准备

#importing the libraries
import tensorflow as tf
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

from sklearn.datasets import load_boston
dataset = load_boston()

target = pd.Series(dataset['target'],name='price')
data = pd.concat([data,target],axis=1)
data.head()

data.drop(['TAX','DIS'],axis=1,inplace=True)

训练测试拆分

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data.drop(['price'],axis=1),data['price'],test_size=0.15)

x_train = np.array(x_train)
y_train = np.array(y_train)
x_test = np.array(x_test)
y_test = np.array(y_test)

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test = sc.transform(x_test)

Keras 层

i = tf.keras.layers.Input(shape=(x_train.shape[1]))
fc1 = tf.keras.layers.Dense(10,activation=tf.keras.activations.relu)(i)
fc2 = tf.keras.layers.Dense(12,activation=tf.keras.activations.relu)(fc1)
fc3 = tf.keras.layers.Dense(20,activation=tf.keras.activations.relu)(fc2)
out = tf.keras.layers.Dense(1)(fc3)

model = tf.keras.models.Model(i,out)

训练神经网络

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),loss=tf.keras.losses.mse)
#fitting the model to the data train = model.fit(x_train,y_train,validation_data=(x_test,y_test),epochs=100,batch_size=128)

模型结果显示

plt.figure(figsize=(10,8))
plt.plot(train.history['loss'],label="Training set loss")
plt.plot(train.history['val_loss'],label="Validation set loss")
plt.xlabel('epochs')
plt.ylabel('loss')
plt.legend()
#predictions vs actual
plt.figure(figsize=(10,8))
plt.plot(y_test,label="original targets")
plt.plot(y_pred,label="predicted targets")
plt.legend()
plt.xlabel('examples')
plt.ylabel('predictions')

本文模型拟合

• 使用 TensorFlow 创建线性回归模型ANN
• 使用 TensorFlow 创建多层 ANN

案例：人工神经网络(ANN)找出材料获得超导特性的温度

分类模型

• 使用 TensorFlow 创建逻辑回归模型ANN

案例：人工神经网络(ANN)区分结合剂/非结合剂分子属性

详情参阅 - 亚图跨际