前言
本文介绍Tenserflow架构学习的基础内容。
以下是本篇文章正文内容
一、检测是否安装了tensorflow
import tensorflow as tf
print('Tebsorflow Versoin:{}'.format(tf.__version__))
二、导入csv文件
1.读入数据
从已有csv文件中读取
代码如下:
import pandas as pd
data=pd.read_csv('./data/income.csv')
2.数据绘图
代码如下:
import matplotlib.pyplot as plt
#%matplotlib inline #此行在jupyter notebook绘图使用,在pycharm中用plt.show代替
plt.scatter(data.Education,data.Income)
plt.show()
输出:
![在这里插入图片描述](https://img-blog.csdnimg.cn/38a7fdddc66342b5a07f9484f61e5601.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NzM5NDExNQ==,size_16,color_FFFFFF,t_70#pic_center)
三、模型的建立和训练
1.建立模型
x=data.Education
y=data.Income
model=tf.keras.Sequential() #建立一个模型
model.add(tf.keras.layers.Dense(1,input_shape=(1,))) #model.add建立层 Dense(输出维度,输入维度) 是输入维度 input_shape=(1,)输入数据维度是1
model.summary() #查看模型
下图输出模型层数,维度等:
![在这里插入图片描述](https://img-blog.csdnimg.cn/2b87e679706c47e79599e3094a1819de.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAa2trd2k=,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)
其中输出dense层,输出维度(None,1)->(数据维度[个数],输出维度)
2.进行训练
进行模型的编译:
- 使用
′
a
d
a
m
′
'adam'
′adam′优化方法和
′
m
s
e
′
'mse'
′mse′作为损失函数
- epochs是训练的次数
model.compile(optimizer='adam',
loss='mse'
)
history = model.fit(x,y,epochs=5000)
3.预测
model.predict(pd.Series([20]))
print('predict number is',pre_num)
如下输出预测结果63.073452
![在这里插入图片描述](https://img-blog.csdnimg.cn/71706e20e93e4083b11004c914b5a1bf.png)
总结
以上就是简单的通过TensorFlow框架实现对数据进行训练和预测的过程。