TensorFlow 中的线性回归

Question

如何在 TensorFlow 中执行线性回归并给出整数作为输出？

我的数据是：

Input = [
[1,2,1],
[2,2,2],
[1,1,1],
...
]

Output = [4,6,3,...]

输出只是一个整数，即输入维度的总和。 输出可以是任何之前未知的整数。

我能够成功地在 scikit-learn 线性回归中进行预测，以了解输出是输入的总和。

如何设计一个 Tensorflow 模型来学习这种行为，并将总和作为输出而不是一个二进制值？

Answer 1

要在 TensorFlow 中执行线性回归并获得整数作为输出，您可以修改模型的架构。您将需要使用强制整数预测的自定义损失函数。这是分步指南：

1. 导入必要的库：

import tensorflow as tf
import numpy as np

2. 准备您的数据：

input_data = np.array([
    [1, 2, 1],
    [2, 2, 2],
    [1, 1, 1],
    # Add more data points as needed
])

output_data = np.array([4, 6, 3])  # Integer outputs

3. 创建一个强制整数预测的自定义损失函数。实现此目的的一种方法是定义一个损失，根据预测值与其舍入整数之间的差异来惩罚非整数预测：

def custom_loss(y_true, y_pred):
    y_pred_rounded = tf.round(y_pred)
    return tf.reduce_mean(tf.square(y_true - y_pred_rounded))

4. 使用线性回归架构定义并编译 TensorFlow 模型：

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(3,)),  # Input shape matches your data
    tf.keras.layers.Dense(1)  # Linear regression layer with one output neuron
])

model.compile(optimizer='adam', loss=custom_loss)

5. 使用输入和输出数据训练模型：

model.fit(input_data, output_data, epochs=1000)  # Adjust the number of epochs as needed

6. 模型训练完成后，您就可以进行预测：

predictions = model.predict(input_data)

模型现在应该提供近似输入维度总和的整数预测。