最近在deeplearning.ai上跟着做了几个入门项目，受益匪浅，特记录以温故而知新：

（一）预测房价，线性回归

通过给出的房价市场价格，1个卧室的100k，2个卧室的150k。。。预测出7个卧室的房价。

只使用单神经元结构来预测房价，使用SGD优化器。

单神经元结构：等价于线性结构 ， g=1（即线形激活函数）。

SGD：随机梯度优化。

代码：

import tensorflow as tf
import numpy as np
from tensorflow import keras
 
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) *单神经元units=1
model.compile(optimizer='sgd', loss='mean_squared_error') *每次迭代训练一个样本且梯度下降运行一次更新一次损失函数。
 
xs = np.array([1, 2, 3, 4, 5, 6])  * 房间数量
 
ys = np.array([1,1.5 ,2, 2.5, 3, 3.5]) *将房价特征缩放/100k，加快模型收敛速度
 
model.fit(xs, ys, epochs=500) *训练500次
print(model.predict([7])) *预测输入为7的输出...

结果：由于给出的样本数量较小，训练500次后预测结果为399.8k,基本拟合出50k+50k*n的房价规则。

.
.
Epoch 497/500
6/6 [==============================] - 0s 509us/sample - loss: 1.3851e-06
Epoch 498/500
6/6 [==============================] - 0s 325us/sample - loss: 1.3749e-06
Epoch 499/500
6/6 [==============================] - 0s 305us/sample - loss: 1.3649e-06
Epoch 500/500
6/6 [==============================] - 0s 388us/sample - loss: 1.3549e-06
[[3.998321]]

(二) 手写数字辨认， Deep NN结构。

通过内置的minist 60000训练集进行训练。

要点：calback函数调用，达到目标值即中断训练。

DNN结构如图：

代码：

import tensorflow as tf
 
class myCallback(tf.keras.callbacks.Callback):              *callback对象
  def on_epoch_end(self, epoch, logs={}):
    if(logs.get('acc')>0.99):
      print("\nReached 99% accuracy so cancelling training!")
      self.model.stop_training = True
 
 
mnist = tf.keras.datasets.mnist                            *导入minist数据集
 
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
 
callbacks = myCallback()
 
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),          *将28*28像素列表化
  tf.keras.layers.Dense(512, activation=tf.nn.relu),  
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
 
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',      
              metrics=['accuracy'])
 
 
model.fit(x_train, y_train, epochs=10, callbacks=[callbacks])  

结果：

Epoch 1/10
60000/60000 [==============================] - 7s 119us/sample - loss: 0.2020 - acc: 0.9411
Epoch 2/10
60000/60000 [==============================] - 7s 116us/sample - loss: 0.0803 - acc: 0.9753
Epoch 3/10
60000/60000 [==============================] - 7s 124us/sample - loss: 0.0536 - acc: 0.9833
Epoch 4/10
60000/60000 [==============================] - 7s 122us/sample - loss: 0.0373 - acc: 0.9879
Epoch 5/10
59872/60000 [============================>.] - ETA: 0s - loss: 0.0264 - acc: 0.9919
Reached 99% accuracy so cancelling training!
60000/60000 [==============================] - 7s 125us/sample - loss: 0.0263 - acc: 0.9920
<tensorflow.python.keras.callbacks.History at 0x7f67010de8d0>