Python 使用TensorFlow实现神经网络

神经网络是人工智能领域中广泛使用的概念，其基于人脑的结构。神经网络工作在层级结构中，最简单的是一个顺序模型，当前层的输入是前一层的输出。

为了创建、训练和测试神经网络模型，我们可以使用Python中的深度学习框架Tensorflow。每个神经网络模型都基于一些简单的步骤，如获取数据、进行预测、比较预测结果，最后将其调整以接近目标。

步骤

步骤1 − 导入Python的numpy和pandas库，并将csv文件加载为数据框。
步骤2 − 导入tensorflow并将数据拆分为训练集和验证集。
步骤3 − 预处理和缩放两组数据。
步骤4 − 将两组数据分开为不同的特征。
步骤5 − 使用Keras模块创建一个线性神经网络模型，并为其设置adam和mae参数。注意，adam作为优化器工作，而mae在预测中工作。
步骤6 − 训练数据集，可以选择任意数量的epochs。这里我们只使用了10个epochs。
步骤7 − 现在使用predict函数来测试我们的模型。这里我们将前4行作为输入来生成结果。
步骤8 − 将结果与目标值进行比较。如果预测值与实际值非常接近，那么我们可以得出模型工作良好的结论。

示例

在这个示例中，我们将从kaggle中获取一个糖尿病数据集，并为其实现一个神经网络。尽管我们也可以创建一个多层神经网络模型，但为了简单起见，我们限制在线性网络上。

#step 1 - import numpy and pandas and load the dataset
import numpy as np
import pandas as pd
df = pd.read_csv('dataset.csv')
df.head()

#step 2 - import tensorflow and split the data into training and validation sets 
import tensorflow as tf
train_df = df.sample(frac=0.85, random_state=4)
val_df = df.drop(train_df.index)

#step 3 - scale and preprocess the data
max_val = train_df.max(axis= 0)
min_val = train_df.min(axis= 0)
range = max_val - min_val
train_df = (train_df - min_val)/(range)
val_df =  (val_df- min_val)/range

#step 4 - separate the data into features
X_train = train_df.drop('gravity',axis=1)
X_val = val_df.drop('gravity',axis=1)
y_train = train_df['gravity']
y_val = val_df['gravity']
input_shape = [X_train.shape[1]]
input_shape

#step 5 - make a linear neural network model and add parameters
model = tf.keras.Sequential([
tf.keras.layers.Dense(units=1,input_shape=input_shape)])
model.summary()
model.compile(optimizer='adam',
              loss='mae') 

#step 6 - train the dataset for epochs
losses = model.fit(X_train, y_train,

            validation_data=(X_val, y_val),
            batch_size=256,
            epochs=10,  

         )

#step 7 - use the predict function to test the model 
model.predict(X_val.iloc[0:4, :])

#step 8 - compare the result with the target value 
y_val.iloc[0:4]

我们将数据分割成训练集和验证集，并通过计算训练集中的最大值和最小值对数据进行预处理，并将数据归一化到0和1之间。我们进一步将数据分成特征，并根据特征的数量定义输入形状。

然后，我们创建一个线性神经网络模型，并添加一个具有1个输出的层，该输出层使用之前定义的输入形状。我们编译和训练模型，并从训练模型中获取前4行数据的预测结果。然后，我们将预测值与实际值进行比较以评估性能。

输出

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense_1 (Dense)             (None, 1)                 8         

=================================================================
Total params: 8
Trainable params: 8
Non-trainable params: 0

_________________________________________________________________
Epoch 1/10
1/1 [==============================] - 1s 944ms/step - loss: 0.8678 - val_loss: 1.0600
Epoch 2/10
1/1 [==============================] - 0s 71ms/step - loss: 0.8639 - val_loss: 1.0556
Epoch 3/10
1/1 [==============================] - 0s 63ms/step - loss: 0.8600 - val_loss: 1.0511
Epoch 4/10
1/1 [==============================] - 0s 66ms/step - loss: 0.8561 - val_loss: 1.0467
Epoch 5/10
1/1 [==============================] - 0s 65ms/step - loss: 0.8522 - val_loss: 1.0422
Epoch 6/10
1/1 [==============================] - 0s 66ms/step - loss: 0.8483 - val_loss: 1.0378
Epoch 7/10
1/1 [==============================] - 0s 74ms/step - loss: 0.8444 - val_loss: 1.0334
Epoch 8/10
1/1 [==============================] - 0s 71ms/step - loss: 0.8405 - val_loss: 1.0289
Epoch 9/10
1/1 [==============================] - 0s 74ms/step - loss: 0.8366 - val_loss: 1.0245
Epoch 10/10
1/1 [==============================] - 0s 68ms/step - loss: 0.8327 - val_loss: 1.0200
1/1 [==============================] - 0s 84ms/step

1     0.413793
9     0.551724
36    0.103448
44    0.517241
Name: gravity, dtype: float64