# 导入库 import tensorflow as tf import numpy as np from tensorflow import keras #定义和编译一个神经网络 model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) # 编译 并指定 loss optimizer model.compile(optimizer='sgd', loss='mean_squared_error') #提供数据 xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float) ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float) #培训 model.fit(xs, ys, epochs=500) #预测 print(model.predict([10.0]))
这段代码实现了一个简单的线性回归模型。首先，我们导入了需要的库：tensorflow和numpy。接下来，我们定义了一个包含一个神经元的全连接层(Dense)的神经网络模型。然后，我们编译了该模型，指定了优化器(optimizer)为随机梯度下降(SGD)和损失函数(loss)为均方误差(Mean Squared Error)。接着，我们提供了训练数据(xs和ys)，其中xs是输入特征，ys是对应的目标值。我们使用fit()方法来训练模型，指定了训练的轮数(epochs)为500。最后，我们使用训练好的模型来进行预测，输入特征是10.0。模型会输出预测结果。