吴恩达机器学习-可选实验室：简单神经网络（Simple Neural Network）_w1, b1 = model.get_layer("layer1").get_weights()

在这个实验室中，我们将使用Tensorflow构建一个小型神经网络

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('./deeplearning.mplstyle')
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from lab_utils_common import dlc
from lab_coffee_utils import load_coffee_data, plt_roast, plt_prob, plt_layer, plt_network, plt_output_unit
import logging
logging.getLogger("tensorflow").setLevel(logging.ERROR)
tf.autograph.set_verbosity(0)

1
2
3
4
5
6
7
8
9
10
11
12

数据集

X,Y = load_coffee_data();
print(X.shape, Y.shape)
1
2

让我们在下面绘制咖啡烘焙数据。这两个功能是以摄氏度为单位的温度和以分钟为单位的持续时间。在家烤咖啡建议时间最好保持在12到15分钟之间，而温度应该在175到260摄氏度之间。当然，随着温度的升高，持续时间应该会缩短。

plt_roast(X,Y)
1

标准化数据

如果数据被标准化，将权重与数据拟合（反向传播，将在下周的讲座中介绍）将更快地进行。这与您在课程1中使用的过程相同，其中数据中的每个特征都被标准化为具有相似的范围。下面的过程使用Keras规范化层。它有以下步骤：

• 创建一个“规范化层”。请注意，正如这里所应用的，这不是模型中的层。
• “调整”数据。这将学习数据集的均值和方差，并在内部保存这些值。
• 规范化数据。
  将规范化应用于利用所学习模型的任何未来数据是很重要的。

print(f"Temperature Max, Min pre normalization: {np.max(X[:,0]):0.2f}, {np.min(X[:,0]):0.2f}")
print(f"Duration    Max, Min pre normalization: {np.max(X[:,1]):0.2f}, {np.min(X[:,1]):0.2f}")
norm_l = tf.keras.layers.Normalization(axis=-1)
norm_l.adapt(X)  # learns mean, variance
Xn = norm_l(X)
print(f"Temperature Max, Min post normalization: {np.max(Xn[:,0]):0.2f}, {np.min(Xn[:,0]):0.2f}")
print(f"Duration    Max, Min post normalization: {np.max(Xn[:,1]):0.2f}, {np.min(Xn[:,1]):0.2f}")
1
2
3
4
5
6
7

平铺/复制我们的数据以增加训练集大小并减少训练时期的数量。

Xt = np.tile(Xn,(1000,1))
Yt= np.tile(Y,(1000,1))   
print(Xt.shape, Yt.shape)   
1
2
3

Tensorflow模型

Model

让我们构建讲座中描述的“咖啡烘焙网络”。有两层Sigmoid激活，如下所示：

tf.random.set_seed(1234)  # applied to achieve consistent results
model = Sequential(
    [
        tf.keras.Input(shape=(2,)),
        Dense(3, activation='sigmoid', name = 'layer1'),
        Dense(1, activation='sigmoid', name = 'layer2')
     ]
)
1
2
3
4
5
6
7
8

注1：tf.keras.input（shape=（2，）），指定输入的预期形状。这允许Tensorflow在这一点上调整权重和偏置参数的大小。这在探索Tensorflow模型时非常有用。在实践中可以省略此语句，当在model.fit语句中指定输入数据时，Tensorflow将调整网络参数的大小。
注2：在最后一层中包括S形激活不被视为最佳实践。相反，它会被计入损失中，从而提高数值稳定性。这将在稍后的实验室中进行更详细的描述。

model.summary()
1