TensorFlow官方入门实操课程-一个神经元的网络（线性曲线预测）

基于如下的课程进行的学习记录
TensorFlow官方入门实操课程

#设置显卡内存使用率，根据使用率占用
import os
os.environ["TF_FORCE_GPU_ALLOW_GROWTH"] = "true"
#设置图像绘制
import matplotlib.pyplot as plt 
%matplotlib inline
import seaborn as sns       #基于matplotlib绘制图像封装的

import tensorflow as tf 
from tensorflow import keras
import numpy as np
model = keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])  #一层，输入u参数一个
model.compile(optimizer='sgd',loss='mean_squared_error') #装配优化器以及损失函数

#用于训练的原始数据
xs = np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype = float)
ys = np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype = float)

#把训练的loss数据保存到history中,500次训练，用0.3的数据不参与训练用于验证模型，随机打乱数据
history = model.fit(xs,ys,epochs=500,validation_split=0.3,shuffle=True) #放入x与y的原始数据，以及循环训练次数

print(history)
model.predict([10.0])   #输入参数10用训练好模型进行数据预测

epochs = len(history.history['loss'])
plt.plot(range(epochs), history.history['loss'], label='loss')
plt.plot(range(epochs), history.history['val_loss'], label='val_loss')
# plt.legend()
# plt.show()

# fig, axes = plt.subplots(2, sharex=True, figsize=(12, 8))
# fig.suptitle('Training Metrics')

# axes[0].set_ylabel("Loss", fontsize=14)
# axes[0].plot(range(epochs),history.history['loss'], label='Loss')
# axes[0].plot(range(epochs),history.history['val_loss'], label='Loss')

# axes[1].set_ylabel("Accuracy(%)", fontsize=14)
# axes[1].set_xlabel("Epoch", fontsize=14)
# axes[1].plot(train_accuracy_results)
# plt.savefig('./epoch.jpg')
plt.legend()
plt.show()

以下为训练的损失曲线以及预测的损失曲线