TensorFlow 手动构建一个神经网络

TensorFlow 和 Keras 来构建和训练一个简单的神经网络模型。我们来逐行解析它的功能

import tensorflow as tf
import numpy as np

tensorflow：导入 TensorFlow 库，TensorFlow 是一个开源的机器学习框架。
numpy：导入 NumPy 库，它是 Python 中用于进行数组操作和科学计算的基础库。

构建神经网络模型

l1 = tf.keras.layers.Dense(units=3, activation='sigmoid')
l2 = tf.keras.layers.Dense(units=1, activation='sigmoid')
model = tf.keras.Sequential([l1, l2])

l1 = tf.keras.layers.Dense(units=3, activation='sigmoid')：创建一个 全连接层（Dense Layer），该层有 3 个输出节点（units=3），使用 sigmoid 激活函数。这意味着该层将输出 3 个值，每个值在 0 和 1 之间。
l2 = tf.keras.layers.Dense(units=1, activation='sigmoid')：创建第二个全连接层，包含 1 个输出节点，并使用 sigmoid 激活函数。该层输出一个值，表示模型的最终输出。
model = tf.keras.Sequential([l1, l2])：创建一个 顺序模型（Sequential Model），将之前定义的两层（l1 和 l2）按顺序连接起来。这样，输入数据会先经过 l1 层，然后传递到 l2 层，最后得到输出。

定义优化器与模型编译

sgd = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=sgd, loss='binary_crossentropy', metrics=['accuracy'])

sgd = tf.keras.optimizers.SGD(learning_rate=0.9)：定义了一个 随机梯度下降优化器（SGD Optimizer），它的学习率为 0.9。学习率决定了在每次更新参数时步长的大小，较高的学习率可以加快训练，但也有可能导致模型震荡或不稳定。
model.compile(...)：编译模型，指定：
- optimizer=sgd：使用之前定义的 SGD 优化器。
- loss='binary_crossentropy'：选择 二元交叉熵损失函数，适用于二分类问题。它衡量了预测概率和实际标签之间的差异。
- metrics=['accuracy']：设置模型评估指标为 准确率（accuracy）。

准备数据

x = np.array([[1, 1], [1, -1], [-1, 1], [-1, -1], [0.7, 0.7], [0.7, -0.7], [-0.7, -0.7], [-0.7, 0.7]])
y = np.array([1, 1, 1, 1, 0, 0, 0, 0])

x：这是输入数据集，每一行是一个样本，包含两个特征。可以理解为每个样本是一个二维空间中的坐标点（例如，[1,1], [1,-1] 等）。
y：这是标签数据集，表示每个输入数据对应的类别。1 表示正类，0 表示负类。

训练模型

model.fit(x, y, epochs=1000)

model.fit(x, y, epochs=1000)：开始训练模型，使用 x 作为输入数据，y 作为目标标签，训练 1000 个周期（epochs）。每个周期，模型都会根据输入数据和真实标签进行前向传播和反向传播，更新模型权重。

保存模型（使用 Keras 格式）：

# 保存训练好的模型（Keras 格式）
model.save('my_model.keras')

总结：

这段代码构建了一个简单的 二分类神经网络模型，其输入数据有两个特征，模型有两层：

第一层有 3 个节点，使用 sigmoid 激活函数。
第二层有 1 个节点，输出一个值（0 或 1），表示类别。

训练过程中，使用 二元交叉熵损失函数 和 随机梯度下降优化器，并计算 准确率 作为评估指标。

模型将根据输入的 8 个样本训练 1000 个周期，以便学习如何将输入数据映射到相应的类别（1 或 0）。

完整代码
test.py 训练模型

import tensorflow as tf
import numpy as np
# 创建int32类型的0维张量，即标量
l1=tf.keras.layers.Dense(units=3,activation='sigmoid')
l2=tf.keras.layers.Dense(units=1,activation='sigmoid')
model=tf.keras.Sequential([l1,l2])
sgd = tf.keras.optimizers.SGD(learning_rate=0.9)
model.compile(optimizer=sgd, loss='binary_crossentropy', metrics=['accuracy'])
x=np.array([[1,1],[1,-1],[-1,1],[-1,-1],[0.7,0.7],[0.7,-0.7],[-0.7,-0.7],[-0.7,0.7]])
y=np.array([1,1,1,1,0,0,0,0])
model.fit(x,y,epochs=2000)
# 保存训练好的模型（Keras 格式）
model.save('my_model.keras')

test2.py加载模型并进行预测：

import tensorflow as tf
import numpy as np

# 加载训练好的模型
model = tf.keras.models.load_model('my_model.keras')

# 预测数据
nx = np.array([[2, 2], [0.1, 0.1], [1.1, 1.2], [0.3, 0.3]])

# 获取预测结果
predictions = model.predict(nx)

# 输出预测结果
print(predictions)

# 如果需要将概率转化为类别（0或1）
predicted_classes = (predictions > 0.9).astype(int)

# 输出最终的类别预测
print(predicted_classes)

视频分享
初识TensorFlow
https://v.douyin.com/ifG2mmLH/
复制此链接，打开Dou音搜索，直接观看视频！