低阶 API

低阶 API 主要包括:

• 张量操作
• 计算图
• 自动微分

中阶 API

TensorFlow 中阶 API 主要包括:

• 各种模型层
• 损失函数
• 优化器
• 数据管道
• 特征列

高阶 API

TensorFlow 的高阶 API 主要为 tf.keras.models 提供的模型的类接口

TensorFlow 高阶 API 主要包括:

• 使用 Sequential 按层顺序构建模型
• 使用函数式 API 构建任意结构模型
• 继承 Model 基类构建自定义模型

线性回归模型

载入 Python 依赖

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import tensorflow as tf
from tensorflow.keras import models, layers, losses, metrics, optimizers

数据准备

• 生成数据

# 样本数量
num_samples = 400

# 生成测试用数据集
X = tf.random.uniform([n, 2], minval = -10, maxval = 10)
w0 = tf.constant([[2.0], [-3.0]])
b0 = tf.constant([[3.0]])
Y = X@w0 + b0 + tf.random.normal([n, 1], mean = 0.0, stddev = 2.0)

• 数据可视化

%matplotlib inline
%config InlineBackend.figure_format = "svg"

plt.figure(figsize = (12, 5))

ax1 = plt.subplot(121)
ax1.scatter(X[:, 0], Y[:, 0], c = "b")
plt.xlabel("x1")
plt.ylabel("y", rotation = 0)

ax2 = plt.subplot(122)
ax2.scatter(X[:, 1], Y[:, 0], c = "g")
plt.xlabel("x2")
plt.ylabel("y", rotation = 0)

plt.show()

模型构建

tf.keras.backend.clear_session()

model = models.Sequential()
model.add(layers.Dense(1, input_shape = (2,)))

model.summary()

模型训练

model.compile(
    optimizer = "adam",
    loss = "mse",
    metrics = ["mae"],
)
model.fit(X, Y, batch_size = 10, epochs = 200)

tf.print(f"w = {model.layers[0].kernel}")
tf.print(f"b = {model.layers[0].bias}")

模型结果可视化

%matplotlib inline
%config InlineBackend.figure_format = "svg"

w, b = model.variables

plt.figure(figsize = (12, 5))

ax1 = plt.subplot(121)
ax1.scatter(X[:, 0], Y[:, 0], c = "b", label = "samples")
ax1.plot(X[:, 0], w[0] * X[:, 0] + b[0], "-r", linewidth = 5.0, label = "model")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y", rotation = 0)

ax2 = plt.subplot(122)
ax2.scatter(X[:, 1], Y[:, 0], c = "g", label = "samples")
ax2.plot(X[:, 1], w[1] * X[:, 1] + b[0], "-r", linewidth = 5.0, label = "model")
ax2.legend()
plt.xlabel("x2")
plt.ylabel("y", rotation = 0)

plt.show()