此案例为Udacity的Tensorflow课程案例，摄氏度与华氏度转换模型。
Source:
https://colab.research.google.com/github/tensorflow/examples/blob/master/courses/udacity_intro_to_tensorflow_for_deep_learning/l02c01_celsius_to_fahrenheit.ipynb#scrollTo=_F00_J9duLBD
1. 导入依赖
import tensorflow as tf
import numpy as np
2. 设置训练数据
celsius_q = np.array([-40, -10, 0, 8, 15, 22, 38], dtype=float)
fahrenheit_a = np.array([-40, 14, 32, 46, 59, 72, 100], dtype=float)
for i,c in enumerate(celsius_q):
print("{} degrees Celsius = {} degrees Fahrenheit".format(c, fahrenheit_a[i]))
3. 创建模型
（1）构建层
l0 = tf.keras.layers.Dense(units=1, input_shape=[1])
（2）将层导入到模型中
model = tf.keras.Sequential([l0])
3. 编译模型
model.compile(loss='mean_squared_error',
optimizer=tf.keras.optimizers.Adam(0.1))
4. 训练模型
history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)
print("Finished training the model")
5. 图像化显示
import matplotlib.pyplot as plt
plt.xlabel('Epoch Number')
plt.ylabel("Loss Magnitude")
plt.plot(history.history['loss'])
6. 通过模型预测结果
print(model.predict([100.0]))
7. 查看层的权重
print("These are the layer variables: {}".format(l0.get_weights()))
8. 相关术语
- 特征：模型的输入
- 样本：用于训练流程的输入/输出对
- 标签：模型的输出
- 层级：神经网络中相互连接的节点集合。
- 模型：神经网络的表示法
- 密集全连接层 (FC)：一个层级中的每个节点都与上个层级中的每个节点相连。
- 权重和偏差：模型的内部变量
- 损失：期望输出和真实输出之间的差值
- MSE：均方误差，一种损失函数，它会将一小部分很大的差值视作比大量很小的差值更糟糕。
- 梯度下降法：每次小幅调整内部变量，从而逐渐降低损失函数的算法。
- 优化器：梯度下降法的一种具体实现方法。（有很多算法。在这门课程中，我们将仅使用“Adam”优化器，它是 ADAptive with Momentum 的简称，并且被视为最佳优化器。）
- 学习速率：梯度下降过程中的损失改进“步长”。
- 批次：在训练神经网络的过程中使用的一组样本。
- 周期：完全经过整个训练数据集一轮
- 前向传播：根据输入计算输出值
- 反向传播：根据优化器算法计算内部变量的调整幅度，从输出层级开始，并往回计算每个层级，直到抵达输入层。
