使用 TensorFlow 实现机器学习模型训练

Tensor Flow是谷歌公司开发的机器学习核心算法开源库，官网本身也是一个端到端开源机器学习平台，能直接在浏览器上运行代码。在Python环境中安装了Tensor Flow库后，通过import tensorflow as tf引用Tensor Flow。在安装和运行Tensor Flow程序时，如果出错，注意查阅提示信息，有可能是需要其他库的支持，也有可能是缺少C++运行环境，逐一解决即可。

Tensor Flow字面上的意思是张量的流动，反映出Tensor Flow编程框架的特点。Tensor对象称为张量，可以看作是一个多维的矩阵，用来引用运算结果，通常以数组的形式存储。每个张量包含维度和数据类型两个属性，同NumPy中ndarray矩阵不同的是，张量可以被GPU之类的加速器内存备份，并且张量是不可变的。张量可以通过“.numpy（）”方法转换为NumPy矩阵。

使用Tensor Flow通常包括两个部分。首先，建立一个计算图，通过张量来表示计算图中各节点计算结果的传递关系。计算图的建立主要使用tf.keras，它是Tensor Flow用来构建和训练模型的高级API。

对于4.3.3节介绍的全连接型前馈型人工神经网络的创建，使用tf.keras.Sequential模型，它将神经网络的各个层（layer）组织到一起，建立模型。全连接型前馈型人工神经网络层为tf.keras.layer.Dense（），第一层可以接受“input_shape”参数，具有“input_shape”参数的层相当于在当前层插入一个tf.keras.layer.Input（）层，所以只对第一层设置“input_shape”参数，之后的dense层不再需要设置该参数，系统会自动推算输入的大小。

dense层的主要参数有：

units：神经元的个数，也相当于层的输出空间的大小。

activation：缺省时为“None”，即不加激活函数，也就是线性。

use_bias：是否使用偏置，缺省时为“true”。

bias_initializer：偏置的初始值，缺省时为“‘zeros’”。

层的添加有两种方式，一种是使用model.add（）方法，另一种是直接以层的列表形式作为Sequential的参数添加。对于图4.50所示的神经网络，可用以下代码实现：(www.xing528.com)

图4.50　简易神经网络示意图

计算图建立好以后，在训练之前还需要通过编译对模型设置优化器、损失函数、训练监控指标、输出显示的标签等参数，如下述语句所示：

其中：“optimizer”参数用于设置优化器，还可以设置为“‘sgd’”，表示使用具有动量参数的梯度下降法；“loss”参数用于设置损失函数，还可以设置为“‘mean_squared_error’”，表示用均方误差损失函数作为损失函数；“metrics”参数用于返回模型各种性能参数输出标签，比如可以设置为：

接下来就是训练模型，主要是将训练数据馈送给模型，对数据和标签建立关联。训练完成后，还需要对模型用测试数据进行预测，验证模型的性能。

训练使用model.fit（）方法，通过“epochs”参数设置训练迭代次数。模型的评估使用evaluate（）方法实现，对新数据进行预测使用predict（）方法。

Tensor Flow 2.5版以后，对于1.x和2.x版采用了tf.compat.v1和tf.compat.v2的方式进行兼容，本书所使用的Tensor Flow是基于2.5.0-RC1的CPU版。