机器学习笔记 // 创建并训练DNN来拟合和预测序列数据

DNN是“Deep Neural Network”的缩写，中文译为深度神经网络。

dataset = windowed_dataset(series, window_size, batch_size, shuffle_buffer_size)

model = tf.keras.models.Sequetial([

    tf.keras.layers.Dense(10, input_shape=[window_size],

                                       activation='relu'),

    tf.keras.layers.Dense(10, activation='relu'),

    tf.keras.layers.Dense(1)])

这是一个非常简单的DNN模型，它包含两个密集层，第一层接收的输入形状是window_size，第二个是包含预测值的输出层。

与之前一样，这个模型在编译时使用一个损失函数和一个优化器。在这个例子中损失函数被指定为mse（均方误差）​，优化器为sgd（随机梯度下降）​。SGD接收参数作为学习率（lr）和动量，这些参数调整优化器的学习方式。每一个数据集都不一样，因此最好能控制它们。在下一节中，你会看到如何求出最优值，但现在只需要像这样设置它们：

mdel.compile(loss="mse", optimizer=tf.keras.optimizaers.SGD(lr=1e-6,momentum=0.9))

接下来调用model.fit训练，将你的数据集传给它，然后指定训练的回合数：

model.fit(dataset,epochs=100,verbose=1)

训练好以后，就可以开始使用它进行预测。

print(series[start_point:start_point+window_size])

print(series[start_point+window_size])

print(model.predict(

        series[start_point:start_point+window_size][np.newaxis]))