深度学习 - 构建多层感知器

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

tf.__version__
>>>'2.0.0'

一，tf.kears.Dense()实现线性回归（梯度下降法）

1，读取数据

data = pd.read_csv('./数据集/Income1.csv')
data[:3]

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

提取Education作为属性，Income作为输出

x = data.Education
y = data.Income

2，构建全连接模型（单层）

序列化建模，一般步骤为：（详细1，详细2）
　　1、实例化一个Sequential类，该类是继承于Model类；
　　2、添加所需要的神经网络层；
　　3、用compile进行编译模型；
　　4、用fit训练模型；
　　5、用predict预测。

新建模型

model = tf.keras.Sequential()

增加全连接层

# 添加 y = w * x + b
# tf.keras.layers.Dense(输出_shape, 输入_shape=(数据维度, 样本数))
# 输出_shape可以自选（后边会讲如何得到最优），输入_shape要看数据维度
# Dense层就是所谓的全连接神经网络层
# 第一层需要指定输入形状，以对接输入数据的形状，比如以(1, )对接(*, 1)形状的数据。
model.add(tf.keras.layers.Dense(1, input_shape=(1, )))

查看当前模型架构

# 返回当前模型内容
# Layer/层（type/类型）       Output Shape/输出形状       Param #/参数
# 全连接神经网络层              （样本数，维度）           2个参数（分别为w、b）
model.summary()
>>>Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 1)                 2         
=================================================================
Total params: 2
Trainable params: 2
Non