【TensorFlow】筆記：基礎(chǔ)知識-使用keras建立線性回歸

Keras 模型以類的形式呈現(xiàn)，我們可以通過繼承?tf.keras.layers.Layer?這個 Python 類來定義自己的模型。在繼承類中，我們需要重寫?__init__()?（構(gòu)造函數(shù)，初始化）和?call(input)?（模型調(diào)用）兩個方法，同時也可以根據(jù)需要增加自定義的方法。

繼承?tf.keras.Model?后，我們同時可以使用父類的若干方法和屬性，例如在實例化類?model?=?Model()?后，可以通過?model.variables?這一屬性直接獲得模型中的所有變量，免去我們一個個顯式指定變量的麻煩。

使用模型類編寫線性模型

import tensorflow as tf
X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])y = tf.constant([[10.0], [20.0]])

class Linear(tf.keras.Model):    def __init__(self):        super().__init__()        self.dense = tf.keras.layers.Dense(            units=1,            activation=None,            kernel_initializer=tf.zeros_initializer(),            bias_initializer=tf.zeros_initializer()        )
    def call(self, input):        output = self.dense(input)        return output

實例化模型：

model = Linear()optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)for i in range(100):    with tf.GradientTape() as tape:        y_pred = model(X)      # 調(diào)用模型 y_pred = model(X) 而不是顯式寫出 y_pred = a * X + b        loss = tf.reduce_mean(tf.square(y_pred - y))    grads = tape.gradient(loss, model.variables)    # 使用 model.variables 這一屬性直接獲得模型中的所有變量    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))print(model.variables)

這里，我們沒有顯式地聲明?a?和?b?兩個變量并寫出?y_pred?=?a?*?X?+?b?這一線性變換，而是建立了一個繼承了?tf.keras.Model?的模型類?Linear?。這個類在初始化部分實例化了一個?全連接層（?tf.keras.layers.Dense?），并在 call 方法中對這個層進(jìn)行調(diào)用，實現(xiàn)了線性變換的計算。

全連接層?（Fully-connected Layer，tf.keras.layers.Dense?）是 Keras 中最基礎(chǔ)和常用的層之一，對輸入矩陣??進(jìn)行??的線性變換 + 激活函數(shù)操作。如果不指定激活函數(shù)，即是純粹的線性變換?。具體而言，給定輸入張量 input =?[batch_size, input_dim]?，該層對輸入張量首先進(jìn)行 tf.matmul(input, kernel)?+ bias 的線性變換（ kernel 和 bias 是層中可訓(xùn)練的變量），然后對線性變換后張量的每個元素通過激活函數(shù) activation ，從而輸出形狀為?[batch_size, units]?的二維張量。

units：輸出張量的維度

activation：激活函數(shù)，常用激活函數(shù)tf.nn.relu 、 tf.nn.tanh 和 tf.nn.sigmoid

use_bias：是否加入偏置向量bias

kernel_initializer 、 bias_initializer：權(quán)重矩陣 kernel 和偏置向量 bias 兩個變量的初始化器