The Hello World of Deep Learning with Neural Networks

The Hello World of Deep Learning with Neural Networks

dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github.com)

编写这样一个函数的代码：

float hw_function(float x){
    float y = (2 * x) - 1;
    return y;
}

Imports

导入 TensorFlow 并将其称为 tf，以方便使用。
导入一个名为 numpy 的库，它可以帮助我们轻松快速地将数据表示为列表。
导入kears（将神经网络定义为一组序列层的框架叫做 keras

import tensorflow as tf
import numpy as np
from tensorflow import keras

Define and Compile the Neural Network

创建最简单的神经网络。它有 1 层，该层有 1 个神经元，其输入形状只是 1 个值。

model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])

接下来编译神经网络。编译时，我们必须指定两个函数，一个是损失函数LOSS，另一个是优化器函数OPTIMIZER。
LOSS 函数会将猜测的答案与已知的正确答案进行对比，并衡量其结果的好坏。
然后，它会使用 OPTIMIZER 函数再做一次猜测。根据损失函数的结果，它将尝试使损失最小化。这时，它可能会得出 y=5x+5 这样的结果，虽然仍然很糟糕，但更接近正确结果（即损失更小）。
它会在许多次EPOCHS重复这样的计算（循环） 。但首先，我们要告诉它如何使用 "平均平方误差（MEAN SQUARED ERROR） "来计算损失函数loss，以及如何使用 "随机梯度下降（STOCHASTIC GRADIENT DESCENT） "来计算优化器。

model.compile(optimizer='sgd', loss='mean_squared_error')

Providing the Data

输入一些数据： 6 个 x 和 6 个 y。这些数据之间的关系是 y=2x-1，所以 x =-1，y=-3 等等。
一个名为 "Numpy "的 python 库提供了许多数组类型的数据结构，它们是一种事实上的标准方法。我们通过将数值指定为 np​ .​array​ [] 来声明这些数据。

xs = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)

Training the Neural Network

训练神经网络的过程，也就是 "学习 "X 和 Y 之间关系的过程，是在 model.fit 调用中进行的。在这个过程中，它将经历我们上面提到的循环，做出猜测，衡量猜测的好坏（LOSS），使用优化器（OPTIMIZER）做出另一个猜测等等。它会按照你指定的EPOCHS进行。

model.fit(xs, ys, epochs=500)

使用 model.predict 方法让它计算出未知 X 的 Y 值。

print(model.predict([10.0]))

​​结果非常接近 19，但不一定是 19。

神经网络处理的是概率问题，而不是确定性问题，并且会进行一些编码，以便根据概率找出结果，尤其是在涉及分类的时候。（You will almost always deal with probabilities, not certainties, and will do a little bit of coding to figure out what the result is based on the probabilities, particularly when it comes to classification.