TensorFlow是由Google开发并于2015年开源的库，可以轻松构建和训练机器学习模型。我们接下来要构建的模型将能够自动将千米转换为英里，在这种情况下，我们将创建一个可以学习如何进行这种转换的模型。我们将向这个模型提供一个CSV(https://en.wikipedia.org/wiki/Comma-separated_values)文件作为输入，其中有29组已经执行的公里和英里之间的转换，基于这些数据，我们模型将学习自动执行此转换。我们将使用监督学习算法，因为我们知道输入数据和输出结果。并使用Python作为编程语言。Python提供了一系列与机器学习相关的方便的库和工具。此示例中的所有步骤均使用GoogleColab执行。GoogleColab允许我们以零配置在浏览器上编写和执行Python代码。导入所需的库我们首先导入将在我们的示例中使用的库。importtensorflowastfimportpandasasspdimportseabornassnsnsimportmatplotlib.pyplotasplt我们将导入TensorFlow来创建我们的机器学习模型。我们还将导入Pandas库以读取包含转换后的千米和英里数据的CSV文件。最后，我们将导入Seaborn和Matlotlib库来绘制不同的结果。加载示例数据我们将带有逗号分隔值的文件(Kilometers-miles.csv)读取到我们的数据框中。此文件包含一系列公里和英里值的转换。我们将使用这些数据帧来训练我们的模型。您可以通过此链接下载此文件(https://drive.google.com/file/d/1m63pJA-zUAA12XOCCBt3Aik9fnjrj_8s/view?usp=sharing)。要从GoogleColab读取文件，您可以使用不同的方法。在此示例中，我将CSV文件直接上传到我的GoogleColab上的sample_data文件夹，但您可以从URL（例如，从GitHub）读取该文件。上传到GoogleColab的问题是运行时重启时数据丢失。DataFrames是二维可调整大小的各种表格数据。df=pd.read_csv('/content/sample_data/Kilometres-miles.csv')df.info样本数据信息绘制数据框我们将导入“searborn”库的“scatterplot”并命名为“sns”，然后使用这个绘制上图的库。它显示了X（公里）和Y（英里）之间对应关系的图形表示。print("Paintingthecorrelations")#Onceweloadseabornintothesession,everytimeamatplotlibplotisexecuted,seaborn'sdefaultcustomizationsareaddedsns.scatterplot(df['Kilometers'],df['Miles'])plt.show()公里和英里的相关性我们定义的输入输出训练模型的数据框：X（公里）是输入，Y（英里）是输出。print("Defineinput(X)andoutput(Y)variables")X_train=df['Kilometres']y_train=df['Miles']创建一个神经网络现在，让我们使用“keras.Sequential”方法创建一个神经网络网络，这又增加了“层”。每一层都具有逐渐提取输入数据以获得所需输出的功能。Keras是一个用Python编写的库，我们可以在其中创建神经网络并使用不同的机器学习框架，例如TensorFlow。接下来，我们将使用“添加”方法向模型添加一个层。print("Creatingthemodel")model=tf.keras.Sequential()model.add(tf.keras.layers.Dense(units=1,input_shape=[1]))在训练我们的模型之前创建一个神经网络编译模型，我们将在编译步骤中添加一些额外的设置。我们将设置一个优化器和损失函数来衡量我们模型的准确性。Adam优化是一种随机梯度下降算法，具有基于一阶矩和二阶矩的自适应预算。为此，我们将使用基于均值方差的损失函数，它衡量我们预测的均值方差。我们模型的目标是最小化这个函数。print("Compilingthemodel")model.compile(optimizer=tf.keras.optimizers.Adam(1),loss='mean_squared_error')训练模型我们将使用“fit”方法来训练我们的模型。首先，我们传入自变量或输入变量（X公里）和目标变量（Y英里）。另一方面，我们预测epoch的值。在这个例子中，epoch值为250。一个epoch是对提供的完整X和Y数据的遍历。epoch的值越小，误差越大；反之，epoch的值越大，误差越小。如果epoch的值越大，算法的执行速度就会越慢。print("Trainingthemodel")epochs_hist=model.fit(X_train,y_train,epochs=250)训练模型的控制台评估模型现在我们评估创建的模型，我们可以观察到损失（Training_loss）随着执行的时期数增加，如果训练集数据有意义并且是一个足够大的组，这是合乎逻辑的。print("评估模型")print(epochs_hist.history.keys())#graphplt.plot(epochs_hist.history['loss'])plt.title('与模型相关的错误的演变')plt.xlabel('Epoch')plt.ylabel('TrainingLoss')plt.legend('TrainingLoss')plt.show()从图中我们可以看出用250个epochs训练模型并没有多大帮助，在第50次pass之后，错误不会减少。因此，训练该算法的最佳遍数约为50。进行预测现在我们已经训练了我们的模型，我们可以使用它进行预测。在这个例子中，我们给模型的输入变量赋值100，模型返回预测的英里数：kilometers=100predictedMiles=model.predict([kilometers])print("TheconversionfromKilometerstoMilesisasfollows:"+str(predictedMiles))fromkilometers转换为英里数为62.133785。查看结果milesByFormula=kilometers*0.6214print("公里转换为英里的数学公式如下："+str(milesByFormula))diference=milesByFormula-predictedMilesprint("Predictionerror:"+str(diference))转换值从公里到英里使用公式：992.19399预测误差为0.00621414。总结在这个例子中，我们看到了如何使用TensorFlow库创建一个模型，该模型学会了自动将千米转换为英里，并且几乎没有错误。TensorFlow用于执行此过程的数学非常简单。基本上，此示例使用线性回归来创建模型，因为输入变量（公里）和输出变量（英里）是线性相关的。在机器学习中，过程中最耗时的部分通常是准备数据。随着时间的推移，我们获得的经验可以帮助我们选择最适合的算法及其设置，但总的来说，这是一项分析测试和改进的任务。
