开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第八天，点击查看活动详情
总结：此文为12月更文计划第八天第十三篇。
首先我们看下metric(算子)使用，主要是掌握reset_states的作用
metric = keras.metrics.MeanSquaredError()
print(metric([5.], [2.]))
print('-'*50)
print(metric([0.], [1.]))
print('-'*50)
具有累加功能，第1个是9，第二个是1，平均是5，(9+1)/2
输出的结果如下：
#不想累加就reset
print(metric.result())
print('-'*50)
metric.reset_states() #每次epoch需要reset
metric([1.], [3.])
print(metric.result())
输出的结果如下：
from sklearn.model_selection import train_test_split
x_train_all, x_test, y_train_all, y_test = train_test_split(
housing.data, housing.target, random_state = 7)
x_train, x_valid, y_train, y_valid = train_test_split(
x_train_all, y_train_all, random_state = 11)
print(x_train.shape, y_train.shape)
print(x_valid.shape, y_valid.shape)
print(x_test.shape, y_test.shape)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
x_valid_scaled = scaler.transform(x_valid)
x_test_scaled = scaler.transform(x_test)
前面为代码的初始部分，为了整个文章的完整性我就把划分训练集相关代码写在这里，
查看训练集的样本数与特征数；
#训练集的样本数
print(len(x_train_scaled))
print(x_train.shape[1:]) #特征数
随机挑选5个样本，看下特征，标签,随机挑选的5个样本的标签值
idx = np.random.randint(0, 1000, size=5)
print(idx)
print(x_train_scaled[idx])
y_train[idx]
输出的结果如下：
======================================================== 这里补充一个小知识：
squeeze的作用：
t=tf.constant([[1],[2],[3]])
print(t)
print('-'*50)
tf.squeeze(t,1)
=====================================================
开始写训练的代码：
epochs = 100 #多少次
batch_size = 32
steps_per_epoch = len(x_train_scaled) // batch_size #每一个epoch拿多少数据
print(steps_per_epoch)
print('-'*50)
optimizer = keras.optimizers.SGD() #优化器
metric = keras.metrics.MeanSquaredError() #算子
- batch 遍历训练集 metric 1.1 自动求导
- epoch结束 验证集 metric
def random_batch(x, y, batch_size=32):
idx = np.random.randint(0, len(x), size=batch_size)
return x[idx], y[idx]
model = keras.models.Sequential([
keras.layers.Dense(30, activation='relu',
input_shape=x_train.shape[1:]),
keras.layers.Dense(1),
])
# print(model.variables)
print('-'*50)
下面一部分相当于替代了fit函数， 计算均方误差，362步，都进行了记录
# print(model.variables)#可以看下这个里边有什么
# model.summary()
for epoch in range(epochs):#每一轮epochs训练所有的样本
metric.reset_states() #清空损失
for step in range(steps_per_epoch):
#随机取32个样本
x_batch, y_batch = random_batch(x_train_scaled, y_train,
batch_size)
with tf.GradientTape() as tape:
#得到预测值
y_pred = model(x_batch) #等价于model.predict
#删减了值为1的维度,二阶张量，变为一阶张量
y_pred = tf.squeeze(y_pred, 1)
#计算损失
loss = keras.losses.mean_squared_error(y_batch, y_pred)
metric(y_batch, y_pred)
#求梯度
grads = tape.gradient(loss, model.variables)
#梯度和变量绑定
grads_and_vars = zip(grads, model.variables)
#更新，通过grads，去更新模型的model.variables，也就是更新了w,b
optimizer.apply_gradients(grads_and_vars)
#打印，不要在循环内加print，影响\r
p="Epoch "+str(epoch)+" train mse:"+str(metric.result().numpy())
print(p, end='\r')
print('') #打换行的目的是为了新起一行显示
#搞了一波训练后，认为模型可以了，去验证集验证
y_valid_pred = model(x_valid_scaled)
# 删减了值为1的维度
# print(y_valid_pred.shape)
y_valid_pred = tf.squeeze(y_valid_pred, 1)
# print(y_valid_pred.shape)
valid_loss = keras.losses.mean_squared_error(y_valid_pred, y_valid)
print("\t", "valid mse: ", valid_loss.numpy())
输出的结果如下：
