深度学习入门实战（二）- 用 TensorFlow 训练线性回归

在上一篇文章中，我们介绍了深度学习的基本概念和线性回归的数学原理。本篇文章将通过实例来介绍如何使用 TensorFlow 库来训练一个简单的线性回归模型。我们将按照以下步骤进行：数据准备、模型构建、模型训练和模型评估。

一、数据准备

为了简化问题，我们假设手头有一份包含两个特征（x1和x2）和一个目标变量y的数据集。首先，我们需要将数据加载到内存中。在 Python 中，我们可以使用 pandas 库来读取数据：

import pandas as pd
from sklearn.model_selection import train_test_split
# 读取数据
data = pd.read_csv('data.csv')
# 分离特征和目标变量
X = data[['x1', 'x2']]
y = data['y']
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

二、模型构建

接下来，我们需要定义一个线性回归模型。在 TensorFlow 中，我们可以使用 tf.keras 模块来构建模型：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义模型
model = keras.Sequential([
    layers.Dense(1, input_shape=[2], activation='linear')
])

在这个例子中，我们定义了一个包含一个隐藏层的简单神经网络。该隐藏层有 1 个神经元，输入维度为 2（x1和x2），激活函数为线性函数。输出层也有 1 个神经元，激活函数为线性函数。

三、模型训练

接下来，我们需要定义损失函数和优化器，然后使用训练数据来训练模型：

# 定义损失函数和优化器
loss_object = keras.losses.MeanSquaredError()
optimizer = keras.optimizers.Adam(learning_rate=0.001)
# 编译模型
model.compile(optimizer=optimizer, loss=loss_object, metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32)

在这个例子中，我们使用了均方误差作为损失函数，Adam 优化器作为优化器。我们还添加了 ‘accuracy’ 作为评估指标，以便在训练过程中监控模型的性能。最后，我们使用 fit 方法来训练模型。在这个例子中，我们将训练数据分为 100 个 epoch，每个 batch 的大小为 32。

四、模型评估

训练完成后，我们需要使用测试数据来评估模型的性能：

# 评估模型性能
test_loss, test_mae = model.evaluate(X_test, y_test)
print(f'Test Mean Absolute Error: {test_mae}')

在这个例子中，我们使用了均方误差作为评估指标。最后，我们输出了测试数据的均方误差。这个值越小，说明模型的预测性能越好。