最近在deeplearning.ai上跟着做了几个入门项目，受益匪浅，特记录下来以便日后学习：

　　(一)预测房价，线性回归

　　通过给出的房价市场价格，1个卧室的100k，2个卧室的150k。。。预测出7个卧室的房价。

　　只使用单神经元结构来预测房价，使用SGD优化器。

　　单神经元结构：等价于线性结构

　　， g=1(即线形激活函数)。

　　SGD：随机梯度优化。

　　代码：

　　import tensorflow as tf

　　import numpy as np

　　from tensorflow import keras

　　model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])]) *单神经元units=1

　　model.compile(optimizer='sgd', loss='mean_squared_error') *每次迭代训练一个样本且梯度下降运行一次更新一次损失函数。

　　xs = np.array([1, 2, 3, 4, 5, 6]) * 房间数量

　　ys = np.array([1,1.5 ,2, 2.5, 3, 3.5]) *将房价特征缩放/100k，加快模型收敛速度

　　model.fit(xs, ys, epochs=500) *训练500次

　　print(model.predict([7])) *预测输入为7的输出...

　　结果：由于给出的样本数量较小，训练500次后预测结果为399.8k,基本拟合出50k+50k*n的房价规则。

　　.

　　.

　　Epoch 497/500

　　6/6 [==============================] - 0s 509us/sample - loss: 1.3851e-06

　　Epoch 498/500

　　6/6 [==============================] - 0s 325us/sample - loss: 1.3749e-06

　　Epoch 499/500

　　6/6 [==============================] - 0s 305us/sample - loss: 1.3649e-06

　　Epoch 500/500

　　6/6 [==============================] - 0s 388us/sample - loss: 1.3549e-06

　　[[3.998321]]

　　(二) 手写数字辨认， Deep NN结构。

　　通过内置的minist 60000训练集进行训练。

　　要点：calback函数调用，达到目标值即中断训练。

　　DNN结构

　　代码：无锡妇科医院 http://www.bhnnk120.com/

　　import tensorflow as tf

　　class myCallback(tf.keras.callbacks.Callback): *callback对象

　　def on_epoch_end(self, epoch, logs={}):

　　if(logs.get('acc')>0.99):

　　print("\nReached 99% accuracy so cancelling training!")

　　self.model.stop_training = True

　　mnist = tf.keras.datasets.mnist *导入minist数据集

　　(x_train, y_train),(x_test, y_test) = mnist.load_data()

　　x_train, x_test = x_train / 255.0, x_test / 255.0

　　callbacks = myCallback()

　　model = tf.keras.models.Sequential([

　　tf.keras.layers.Flatten(input_shape=(28, 28)), *将28*28像素列表化

　　tf.keras.layers.Dense(512, activation=tf.nn.relu),

　　tf.keras.layers.Dense(10, activation=tf.nn.softmax)

　　])

　　model.compile(optimizer='adam',

　　loss='sparse_categorical_crossentropy',

　　metrics=['accuracy'])

　　model.fit(x_train, y_train, epochs=10, callbacks=[callbacks])

　　结果：

　　Epoch 1/10

　　60000/60000 [==============================] - 7s 119us/sample - loss: 0.2020 - acc: 0.9411

　　Epoch 2/10

　　60000/60000 [==============================] - 7s 116us/sample - loss: 0.0803 - acc: 0.9753

　　Epoch 3/10

　　60000/60000 [==============================] - 7s 124us/sample - loss: 0.0536 - acc: 0.9833

　　Epoch 4/10

　　60000/60000 [==============================] - 7s 122us/sample - loss: 0.0373 - acc: 0.9879

　　Epoch 5/10

　　59872/60000 [============================>.] - ETA: 0s - loss: 0.0264 - acc: 0.9919

　　Reached 99% accuracy so cancelling training!

　　60000/60000 [==============================] - 7s 125us/sample - loss: 0.0263 - acc: 0.9920