python之无法让 tensorflow 建立一个甚至可以匹配非常简单的线性图的模型_编程设计

我似乎无法让 tensorflow 构建一个与最简单的线性图相匹配的模型。下面是代码和实际与模型结果。我究竟做错了什么？

import numpy as np 
import matplotlib.pyplot as plt 
import keras 
 
x = np.array([[1965.0], [1980.0]]) 
y = np.array([[320.0], [345.0]]) 
 
plt.plot(x, y) 
model = keras.Sequential([keras.layers.Dense(1, activation='linear')]) 
model.compile(optimizer='adam', 
              loss="mean_squared_error") 
model.fit(x=x, y=y, epochs=10000) 
 
 
yHat = model.predict(x) 
print("yHat ", yHat) 
plt.plot(x, yHat) 
plt.show()

请您参考如下方法:

您走在正确的轨道上，只是在规范化数据和构建模型时遗漏了一些关键点。

只有 2 个数据点被输入您的神经网络。使用 np.arange() 来创建更大的数组。
神经网络喜欢 0 到 1 之间的数据点(有助于学习收敛)。因此，让我们使用 sklearn.MinMaxScaler 转换 x 和 y 数组:
(这会将每个变量根据其值转换为 0 和 1 之间的数组的最小值和最大值)

from sklearn.preprocessing import MinMaxScaler   
scaler = MinMaxScaler()   
x = scaler.fit_transform(np.arange(1965, 1990).reshape(-1,1))   
y = scaler.fit_transform(np.arange(320, 345).reshape(-1,1))

(注意:我们正在 reshape x,y 以适应 (1,0) numpy 数组)

然后我们可以使用 1 个线性 Dense 层构建模型:

epochs = 20 
model = keras.Sequential() 
model.add(Dense( units=1, input_dim=1, activation="linear" )) 
 
## Establishing optimizer so that we can modify the learning rate >= 1 
sgd = keras.optimizers.SGD(lr=0.1, momentum=0.0, decay=0.0, nesterov=False) 
model.compile( optimizer=sgd, loss="mean_squared_error" ) 
model.fit( x, y, batch_size=1, epochs=epochs)

最后我们可以绘制预测和实际 Y 变量:

predicted = model.predict(x) 
predicted = predicted + .01 ## offset prediction so the two lines don't overlap 
 
plt.plot(scaler.inverse_transform(y), label='actual_y') 
plt.plot(scaler.inverse_transform(predicted), label='predicted_y') 
plt.legend(loc='upper left') 
plt.show()

(注意:我们正在反转 sklearn.tranform 以显示实际数据而不是缩放版本)

最终代码:

import numpy as np 
import matplotlib.pyplot as plt 
import keras 
from keras.layers.core import Dense 
 
from sklearn.preprocessing import MinMaxScaler 
scaler = MinMaxScaler() 
 
epochs = 20 
 
## Using np.arange() instead of np.array() 
## Transforming x,y so that the model can understand the variables 
x = scaler.fit_transform(np.arange(1965, 1990).reshape(-1,1)) 
y = scaler.fit_transform(np.arange(320, 345).reshape(-1,1)) 
 
model = keras.Sequential() 
model.add(Dense( units=1, input_dim=1, activation="linear" )) 
 
## Establishing optimizer so that we can modify the learning rate >= 1 
sgd = keras.optimizers.SGD(lr=0.1, momentum=0.0, decay=0.0, nesterov=False) 
model.compile( optimizer=sgd, loss="mean_squared_error" ) 
model.fit( x, y, batch_size=1, epochs=epochs) 
 
predicted = model.predict(x) 
predicted = predicted + .01 ## offset prediction so the two lines don't overlap 
 
plt.plot(scaler.inverse_transform(y), label='actual_y') 
plt.plot(scaler.inverse_transform(predicted), label='predicted_y') 
plt.legend(loc='upper left') 
plt.show()