Python TensorFlow 模块：开发心得

import numpy as np                 # 导入NumPy库，用于处理数组计算
import tensorflow as tf            # 导入TensorFlow库

# 准备数据集
x_train = np.array([1, 2, 3, 4], dtype=float)  # 训练数据输入
y_train = np.array([2, 3, 4, 5], dtype=float)  # 训练数据输出

# 创建线性模型
model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])  # 模型包含一个Dense层

# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')  # 使用SGD优化器和均方误差损失函数

# 训练模型
model.fit(x_train, y_train, epochs=100)  # 训练模型100个epochs

# 使用模型进行预测
print(model.predict([10.0]))  # 预测输入为10.0时的输出

import tensorflow as tf                         # 导入 TensorFlow
from tensorflow.keras import datasets, layers, models  # 从 Keras 导入数据集、层和模型

# 加载 CIFAR-10 数据集
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()  # 加载数据集

# 数据预处理
train_images = train_images / 255.0  # 归一化，使图像值在 [0,1] 范围
test_images = test_images / 255.0

# 构建卷积神经网络
model = models.Sequential()                        
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))  # 添加卷积层
model.add(layers.MaxPooling2D((2, 2)))          # 添加池化层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))  # 再添加卷积层
model.add(layers.MaxPooling2D((2, 2)))                 # 再添加池化层
model.add(layers.Flatten())                        # 展平层
model.add(layers.Dense(64, activation='relu'))  # 全连接层
model.add(layers.Dense(10))                       # 输出层（10个分类）

# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])  # 使用 Adam 优化器

# 训练模型
model.fit(train_images, train_labels, epochs=10)  # 训练10个epochs

import tensorflow as tf                      # 导入 TensorFlow
from tensorflow.keras.preprocessing.text import Tokenizer  # 导入分词器
from tensorflow.keras.preprocessing.sequence import pad_sequences  # 导入序列填充

# 示例文本和标签
texts = ['我爱学习', '我喜欢编程', '学习是我的乐趣']  # 文本数据
labels = [1, 1, 0]                             # 标签数据（1表示正面，0表示负面）

# 数据准备
tokenizer = Tokenizer(num_words=100)           # 初始化分词器，限制词汇量
tokenizer.fit_on_texts(texts)                  # 拟合分词器
sequences = tokenizer.texts_to_sequences(texts)  # 将文本转为序列

# 填充序列
padded_sequences = pad_sequences(sequences, padding='post')  # 填充序列至相同长度

# 创建简单模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Embedding(100, 8, input_length=padded_sequences.shape[1]))  # 嵌入层
model.add(tf.keras.layers.GlobalAveragePooling1D())  # 平均池化层
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))  # 输出层（使用sigmoid函数）

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])  # 使用 Adam 优化器

# 训练模型
model.fit(padded_sequences, labels, epochs=10)  # 训练10个epochs