Tensorflow实现线性回归模型的示例代码

import tensorflow as tf
import numpy as np
# 1.查看tensorflow版本
print("Tensorflow Version{}".format(tf.__version__))
 
# 2.pandas读取包含线性关系的.csv文件
import pandas as pd
data = pd.read_csv('D:\Project\TesorFlow\datasets\Income.csv')
print(data)
 
# 3.绘制线性回归关系-散点图
import matplotlib.pyplot as plt
plt.scatter(data.Education,data.Income)
plt.show()

# 4.顺序模型squential的建立
# 顺序模型是指网络是一层一层搭建的，前面一层的输出是后一层的输入。
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
# dense(输出数据的维度，输入数据的维度)
 
# 5.查看模型的结构
model.summary()
 
# 6.编译模型 - 配置的过程, 优化算法方式（梯度下降）、损失函数
# Adam优化器的学习速率默认为0.01
model.compile(optimizer='adam',
              loss = 'mse')
 
# 7.训练模型,记录模型的训练过程 history
# 训练过程是loss函数值降低的过程:
# 即不断逼近最优的a和b参数值的过程
# 这个过程要训练很多次epoch,epoch是指对所有训练数据训练的次数
history = model.fit(x,y,epochs=100)

# 8.已知数据预测
model.predict(x)
print(model.predict(x))
 
# 9.随机数据预测: 
# """
# 注意：pandas数据结构是数据框DataFrame和 序列 Series
# 序列（Series）是二维表格中的一列或者一行。实际上，当访问DataFrame的一行时，pandas自动把该行转换为序列；当访问DataFrame的一列时，Pandas也自动把该列转换为序列。
# 序列是由一组数据（各种NumPy数据类型），以及一组与之相关的数据标签（索引）组成，序列不要求数据类型是相同的,序列可以看作是一维数组(一行或一列)
# 序列的表现形式为：索引在左边，值在右边。由于没有显式为Series指定索引，pandas会自动创建一个从0到N-1的整数型索引。
# """
# test_predict = model.predict(pd.Series([20]))  # 所以这里输入时需要将其转换为Series结构
test_predict = model.predict(pd.Series([10,20]))  # 预测的数据为10和20
print(test_predict)
print(pd.DataFrame([(10,20,30)]))