无法获得张量流来构建甚至可以匹配非常简单的线性图的模型

Question

我似乎无法获得tensorflow来构建甚至最简单的线性图都可以匹配的模型。 下面是代码和实际对比模型结果。 我究竟做错了什么？

import numpy as np
import matplotlib.pyplot as plt
import keras

x = np.array([[1965.0], [1980.0]])
y = np.array([[320.0], [345.0]])

plt.plot(x, y)
model = keras.Sequential([keras.layers.Dense(1, activation='linear')])
model.compile(optimizer='adam',
              loss="mean_squared_error")
model.fit(x=x, y=y, epochs=10000)


yHat = model.predict(x)
print("yHat ", yHat)
plt.plot(x, yHat)
plt.show()

Answer 1

您处在正确的轨道上，只是在规范化数据和构建模型时缺少一些关键点。

1. 只有2个数据点被馈入您的神经网络。使用np.arange()来创建更大的数组。

2. 神经网络，例如0到1之间的数据点（有助于学习收敛）。因此，让我们使用sklearn.MinMaxScaler转换x和y数组：
   （这将根据变量的值将0和1之间的每个变量转换为数组的最小值和最大值）

from sklearn.preprocessing import MinMaxScaler  
scaler = MinMaxScaler()  
x = scaler.fit_transform(np.arange(1965, 1990).reshape(-1,1))  
y = scaler.fit_transform(np.arange(320, 345).reshape(-1,1))

（注意：我们正在重塑x，y以适合（1,0）numpy数组）

1. 然后我们可以使用1个线性Dense层构建模型：

epochs = 20
model = keras.Sequential()
model.add(Dense( units=1, input_dim=1, activation="linear" ))

## Establishing optimizer so that we can modify the learning rate >= 1
sgd = keras.optimizers.SGD(lr=0.1, momentum=0.0, decay=0.0, nesterov=False)
model.compile( optimizer=sgd, loss="mean_squared_error" )
model.fit( x, y, batch_size=1, epochs=epochs)

1. 最后，我们可以绘制预测的和实际的Y变量：

predicted = model.predict(x)
predicted = predicted + .01 ## offset prediction so the two lines don't overlap

plt.plot(scaler.inverse_transform(y), label='actual_y')
plt.plot(scaler.inverse_transform(predicted), label='predicted_y')
plt.legend(loc='upper left')
plt.show()

（注意：我们正在反转sklearn.tranform以显示实际数据，而不是Scaled版本）

所有最终代码：

import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.layers.core import Dense

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()

epochs = 20

## Using np.arange() instead of np.array()
## Transforming x,y so that the model can understand the variables
x = scaler.fit_transform(np.arange(1965, 1990).reshape(-1,1))
y = scaler.fit_transform(np.arange(320, 345).reshape(-1,1))

model = keras.Sequential()
model.add(Dense( units=1, input_dim=1, activation="linear" ))

## Establishing optimizer so that we can modify the learning rate >= 1
sgd = keras.optimizers.SGD(lr=0.1, momentum=0.0, decay=0.0, nesterov=False)
model.compile( optimizer=sgd, loss="mean_squared_error" )
model.fit( x, y, batch_size=1, epochs=epochs)

predicted = model.predict(x)
predicted = predicted + .01 ## offset prediction so the two lines don't overlap

plt.plot(scaler.inverse_transform(y), label='actual_y')
plt.plot(scaler.inverse_transform(predicted), label='predicted_y')
plt.legend(loc='upper left')
plt.show()