TensorFlow2.0 线性回归实战（收入与受教育程度的关系）

综述

本文使用 TensorFlow 2.0 框架，搭建了一个最简单的全连接神经网络模型。使用 ANN（人工神经网络） 解决了 收入与受教育程度 之间的线性关系。

通过本章的学习，你能较清楚的掌握使用 TensorFlow 搭建 DNN（全连接神经网络），并解决一系列的一元问题。

编程环境与工具：

名称	版本
系统	Windows10
Python版本	Python 3.7
IDE	jupyter notebook
使用库	TensorFlow 2.0、Matplotlib、Pandas

数据展示

本文的部分数据如下，

Education	Income
10	26.66
10.4	27.31
10.84	22.13
11.24	21.17
……	……

完整数据与代码可在我的GitHub中找到，GitHub链接在此

代码与解释

导入库函数

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt 
%matplotlib inline

读入数据并查看

# 读入数据并查看
data = pd.read_csv('./income.csv')
data

画散点图，查看数据分布情况

plt.scatter(data.Education,data. Income)

数据赋值

x = data.Education
y = data.Income

搭建网络，并查看网络参数

# 搭建网络

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
model.add(tf.keras.layers.Dense(10, activation='relu'))
model.add(tf.keras.layers.Dense(1))

model.summary() #ax + b

其中，使用的是顺序模型。网络总三层，第一层结点数为1的全连接层，输入数据维度为1维；第二层结点数为10的全连接层，激活函数为 ReLU；最后一层为结点数为1的全连接层，为输出层。

模型编译

model.compile(optimizer='adam',loss='mse')

其中，优化器选择为 adam，损失函数为 mse（均方误差）

模型训练，训练次数为5000次

history = model.fit(x, y, epochs=5000)

以训练后的模型对 x 进行测试，得到以后结果

model.predict(x)

最终结果如下

结语

最终可以得到，收入与受教育程度 成正比，虽然不乏有特例，但是总体为，受教育程度越高者，收入也越高。

必看关键点

1

# 搭建网络
model = tf.keras.Sequential()

每一次搭建网络的第一步就是这样，这叫 顺序模型 或者 序贯模型，对于初学者，你可以不必过多理解，只需要记住，它的功能强大且使用简单，如想要更多的了解它，请自行查找资料。

2

model.add(tf.keras.layers.Dense(1,input_shape=(1,)))

输入层，