如何使用 TensorFlow 在 Auto MPG 数据集上构建顺序模型?
Tensorflow 是 Google 提供的机器学习框架。它是一个开源框架,与 Python 结合使用,用于实现算法、深度学习应用程序等。它用于研究和生产目的。
可以使用以下代码行在 Windows 上安装 ‘tensorflow’ 包 −
pip install tensorflow
Tensor 是 TensorFlow 中使用的数据结构。它有助于连接流程图中的边缘。此流程图称为‘数据流图’。张量不过是多维数组或列表。可以使用三个主要属性来识别它们 −
排名−它说明了张量的维数。它可以理解为张量的阶或已定义的张量的维数。
类型− 它说明了与张量的元素相关联的数据类型。它可以是一维、二维或 n 维张量。
形状− 它是行数和列数的总和。
回归问题的目的是预测连续或离散变量的输出,例如价格、概率、是否会下雨等等。我们使用的数据集称为"Auto MPG"数据集。它包含 20 世纪 70 年代和 80 年代汽车的燃油效率。它包括重量、马力、排量等属性。为此,我们需要预测特定车辆的燃油效率。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码,并且不需要任何配置,并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。以下是代码片段 −
示例
def build_compile_model(norm): model = keras.Sequential([ norm, layers.Dense(64, activation='relu'), layers.Dense(64, activation='relu'), layers.Dense(1) ]) model.compile(loss='mean_absolute_error', optimizer=tf.keras.optimizers.Adam(0.001)) return model print("The model is being built and compiled") dnn_horsepower_model = build_compile_model(horsepower_normalizer) print("The statistical summary is being computed") dnn_horsepower_model.summary()
代码来源 − https://www.tensorflow.org/tutorials/keras/regression
输出
解释
定义了一个名为‘build_compile_model’的函数,用于构建顺序模型并生成三个密集层。
模型已编译并作为函数的输出返回。
使用‘summary’方法在控制台上显示模型的统计分析。