一个线性方程的推导

训练模型，让其推理出一组输入和输出间的关系
x值

-1.0, 0.0, 1.0, 2.0, 3.0, 4.0

y值

-3.0, -1.0, 1.0, 3.0, 5.0, 7.0

以上两组数据的关系是$y=2x-1$

代码实现

from tensorflow import keras
from tensorflow.keras import layers
import numpy as np  # 导入NumPython

model = keras.Sequential(
    layers.Dense(units=1, input_shape=[1])
)   # units：层数，input_shape：输入值

model.compile(optimizer='sgd', loss='mean_squared_error')
# optimizer：衡量损失后，以优化函数继续
# loss：损失函数，衡量猜测结果的准确度

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

model.fit(xs, ys, epochs=100)
# epochs：训练次数

print(model.predict([10.0]))

训练100次，10.0的预测结果是：17.567379
训练1000次，10.0的预测结果是：18.999897
训练10000次，10.0的预测结果是：18.999987
训练100000次，10.0的预测结果是：18.999987

上面这组数据说明了什么呢？说明在这个例子里，训练次数越多，预测结果越准确（废话hhh，其实只是第一次实现这个东西让我很兴奋，然后把唯一会改的一个参数改来改去玩玩罢了。）

fashion mnist 数据集

机器学习的hello, world!

代码实现

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# 定义模型
model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),       # 输入28*28的图片
    layers.Dense(128, activation=tf.nn.relu),   # 调参
    # 128个计算函数（此处的“计算函数”并非准确术语）
    # activation: 激活函数
    # relu：线性整流函数，当数值大于零，则返回该数，否则返回零
    layers.Dense(10, activation=tf.nn.softmax)  # 输出0-10的编号
    # softmax: 将一个数组中最大值修改为1，其他修改为0
])
# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy')
# 开始训练
model.fit(train_images, train_labels, epochs=10)

准确度达94%