06 tensorflow 快速搭建动态模型

通过模型类的方式编写一个线性模型，输出结果为函数 y = a * x + b 中的a和b。

开始之前先介绍一些内容：

1. 在 TensorFlow 中，推荐使用 Keras（ tf.keras ）构建模型。Keras 是一个广为流行的高级神经网络 API，简单、快速而不失灵活性。
2. Keras 有两个重要的概念： 模型（Model） 和 层（Layer） 。层将各种计算流程和变量进行了封装，而模型则将各种层进行组织和连接，并封装成一个整体，描述了如何将输入数据通过各种层以及运算而得到输出。
3. 可以通过继承 tf.keras.Model 这个 Python 类来定义自己的模型。在自定义中，我们需要重写 init() （构造函数，初始化）和 call(input) （模型调用）两个方法，同时也可以根据需要增加自定义的方法。
4. 全连接层 （tf.keras.layers.Dense）是 Keras 中最基础和常用的层之一，对输入矩阵 A 进行 f(AW + b) 的线性变换和**函数操作。如果不指定**函数，即是纯粹的线性变换 AW + b。W(kernel)和 b(bias) 是层中可训练的变量。

开始

1. 导入库

    import tensorflow as tf
   

2. 创建张量x和y

   x = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
   y = tf.constant([[10.0], [20.0]])
   

3. 自定义线性模型

   class Liner(tf.keras.Model):
       def __init__(self):
           super().__init__()
           self.dense = tf.keras.layers.Dense(
               units=1,  # 神经元个数
               activation=None,  # **函数
               kernel_initializer=tf.zeros_initializer(),  # 初始化 kernel
               bias_initializer=tf.zeros_initializer()  # 初始化 bias
           )
   
       def call(self, input):
           output = self.dense(input)
           return output
   

4. 实例化模型

   model = Liner()
   

5. 定义优化器

   optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
   

6. 梯度下降（训练）

   for i in range(100):
       with tf.GradientTape() as tape:
           y_pred = model(x)
           loss = tf.reduce_mean(tf.square(y_pred - y))
       grads = tape.gradient(loss, model.variables)
       optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))
   

7. 输出结果

   print(model.variables)
   

最终结果

[<tf.Variable 'liner/dense/kernel:0' shape=(3, 1) dtype=float32, numpy=
array([[0.40784496],
       [1.191065  ],
       [1.9742855 ]], dtype=float32)>,
<tf.Variable 'liner/dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.78322077], dtype=float32)>]