训练一个线性模型
import tensorflow as tf
import pandas as pd# 读取数据
data = pd.read_csv('../data/line_fit_data.csv').values
# 划分训练集和测试集
x = data[:-10, 0] #第一列排除后10行
y = data[:-10, 1] #第二列排除后10行
x_test = data[-10:, 0] #第一列后10行
y_test = data[-10:, 1] #第二列后10行# 构建Sequential网络
model_net = tf.keras.models.Sequential() # 实例化网络
model_net.add(tf.keras.layers.Dense(1, input_shape=(1, ))) # 添加全连接层
print(model_net.summary())# 构建损失函数
model_net.compile(loss='mse', optimizer=tf.keras.optimizers.SGD(learning_rate=0.5))# 模型训练
model_net.fit(x, y, verbose=1, epochs=20, validation_split=0.2)
pre = model_net.predict(x_test)# 利用均方误差进行模型评价
y_test = pd.DataFrame(y_test)
pre = pd.DataFrame(pre)
mse = (sum(y_test - pre) ** 2) / 10
print('均方误差为：', mse)
总结
model_net.add() ：向模型中添加层，第一层需指定 `input_shape` |
Dense(units=1) ：定义全连接层 ，`units` 决定输出维度 |
`input_shape=(1,)` ： 指定输入数据的形状 ，仅第一层需要，元组格式 |
model.summary()： 查看模型结构和参数数量
**`units=1`**：输出维度为1（即该层只有1个神经元）。
- **`input_shape=(1,)`**：指定输入数据的形状为 `(1,)`（即每个样本是1个数值）。
### **1. `model_net.compile()`：配置模型训练参数**
- **作用**：定义模型的损失函数、优化器和评估指标。
- **参数解析**：
- **`loss='mse'`**：使用均方误差（Mean Squared Error）作为损失函数，适用于**回归任务**（如预测房价、温度等连续值）。
- **`optimizer=tf.keras.optimizers.SGD(learning_rate=0.5)`**：
- 优化器：随机梯度下降（Stochastic Gradient Descent, SGD）。
- 学习率：`0.5`（较高的学习率，可能导致训练不稳定，需根据任务调整）。
- **未显式指定 `metrics`**：如需要监控准确率等指标，可添加 `metrics=['mae']`（平均绝对误差）。
---
### **2. `model_net.fit()`：模型训练**
- **作用**：用训练数据拟合模型，更新权重参数。
- **参数解析**：
- **`x, y`**：输入数据和标签（假设 `x` 是特征，`y` 是目标值）。
- **`verbose=1`**：显示训练进度条（`0`=不显示，`1`=显示进度条，`2`=仅显示轮次结果）。
- **`epochs=20`**：训练20轮（所有数据完整遍历一次为一轮）。
- **`validation_split=0.2`**：从训练数据中自动划分20%作为验证集（例如，若 `x` 有100个样本，则80个用于训练，20个用于验证）。
**`pd.DataFrame()`** 是 Pandas 库中用于创建或转换数据为 **二维表格结构**（DataFrame）的函数。
- 这行代码的目的是将 `y_test`（可能是列表、NumPy 数组或其他格式）转换为 DataFrame，以便后续使用 Pandas 的功能（如数据操作、保存到文件、与其他 DataFrame 合并等）。