Обучение модели в TensorFlow

Обучение запускают методом fit: передают таблицу признаков, столбец эталонных ответов и число проходов по всей таблице. Модель должна быть уже скомпилирована.

Возьмём три пары «признак - ответ», средний квадрат и спуск с умеренным шагом. Запустим три эпохи и посмотрим, как меняется ошибка:

import tensorflow as tf
import numpy as np

tf.keras.utils.set_random_seed(0)
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,)),
])
model.compile(
	optimizer=tf.keras.optimizers.SGD(
		learning_rate=0.1
	),
	loss="mse",
)
features = np.array(
	[[1.0], [2.0], [3.0]], dtype=np.float32
)
targets = np.array(
	[[2.0], [4.0], [6.0]], dtype=np.float32
)
model.fit(features, targets, epochs=3, verbose=2)
# последняя строка loss: 0.0694

Таблицу признаков и ответы можно задать тензорами. Число эпох ограничивают, чтобы прогон закончился быстро:

import tensorflow as tf

tf.keras.utils.set_random_seed(0)
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,)),
])
model.compile(optimizer="sgd", loss="mse")
features = tf.constant([[0.0], [1.0], [2.0]])
targets = tf.constant([[1.0], [2.0], [3.0]])
model.fit(features, targets, epochs=2, verbose=2)
# последняя строка loss: 3.9749

Подготовьте модель с одним выходом для одного признака. Обучите её на строках [1.0], [2.0], [3.0] с ответами 3.0, 5.0, 7.0 две эпохи. Выведите ход обучения.

Соберите таблицу из двух столбцов-признаков [0.0, 1.0] и [1.0, 0.0] и столбец ответов 1.0 и 2.0. Подберите веса одной выходной модели за три эпохи.

Задайте три пары: признак 0.0, 1.0, 2.0 и целевые 0.0, 2.0, 4.0. Проведите два полных прохода по данным и выведите журнал ошибки.