如何使用TensorFlow在Auto MPG数据集上构建DNN（深度神经网络）模型？

Tensorflow是Google提供的机器学习框架。它是一个开源框架，与Python一起使用来实现算法、深度学习应用等等。它被用于研究和生产目的。

张量是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。这个流程图称为“数据流图”。张量不过是一个多维数组或列表。

我们使用的数据集称为“Auto MPG”数据集。它包含1970年代和1980年代汽车的燃油效率。它包括重量、马力、排气量等属性。通过这些数据，我们需要预测特定车辆的燃油效率。

我们正在使用Google Colaboratory来运行下面的代码。Google Colab或Colaboratory可以在浏览器上运行Python代码，需要零配置并免费访问GPU（图形处理单元）。Colaboratory是基于Jupyter Notebook构建的。以下是代码片段：

更多Python相关文章，请阅读：Python 教程

例子

print("DNN model")
history = dnn_horsepower_model.fit(
    train_features['Horsepower'], train_labels,
    validation_split=0.2,
    verbose=0, epochs=100)
print("Error with respect to every epoch")
plot_loss(history)
x = tf.linspace(0.0, 250, 251)
y = dnn_horsepower_model.predict(x)
plot_horsepower(x, y)
test_results['dnn_horsepower_model'] = dnn_horsepower_model.evaluate(
    test_features['Horsepower'], test_labels,
    verbose=0)

代码来源 – https://www.tensorflow.org/tutorials/keras/regression

输出

解释

• DNN指的是深度神经网络，在这种情况下它只有一个输入，即’Horsepower’。

• 此模型适合于训练数据。

• 存储在’history’中的统计参数在控制台上绘制。

• 进行预测并使用’evaluate’方法进行评估。