1. 项目概述
在机器学习入门阶段,我们经常会遇到一个经典问题:如何让计算机学会简单的线性关系?这个问题看似基础,却是理解神经网络工作原理的最佳切入点。今天我要分享的是使用TensorFlow/Keras构建单层神经网络来拟合线性函数y=2x-1的完整过程。
这个项目虽然简单,但包含了神经网络训练的完整流程:数据准备、模型构建、训练过程和结果验证。通过这个案例,我们可以直观地理解神经网络如何通过调整权重和偏置来逼近目标函数。对于初学者来说,这是一个绝佳的实践机会,能够帮助我们建立对神经网络工作原理的直观认识。
提示:虽然我们使用的是最简单的线性函数,但这个案例中涉及的概念和方法同样适用于更复杂的非线性问题。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心原理解析
2.1 神经网络如何学习线性关系
神经网络学习线性关系的核心在于权重(weight)和偏置(bias)的调整。在我们的例子中,目标函数是y=2x-1,这意味着理想的神经网络应该学习到权重w≈2,偏置b≈-1。
单层神经网络(也称为感知机)的基本公式是:
y_pred = w * x + b
训练过程中,神经网络会:
- 初始化随机的w和b值
- 计算预测值y_pred
- 通过损失函数(这里使用均方误差MSE)衡量预测值与真实值的差距
- 使用优化器(这里使用SGD随机梯度下降)调整w和b以减少损失
2.2 为什么选择这样的网络结构
对于线性回归问题,我们选择最简单的网络结构就足够了:
- 输入层:1个神经元(对应输入特征x)
- 输出层:1个神经元(对应输出y)
- 不使用激活函数(即线性激活)
这种结构有几个优点:
- 计算量小,训练速度快
- 不会引入不必要的非线性
- 容易解释和理解学习到的参数
3. 完整实现步骤
3.1 环境准备与数据设置
首先我们需要准备Python环境和训练数据:
python复制# 设置环境变量以抑制TensorFlow的非必要日志
import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0' # 关闭oneDNN提示
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 屏蔽INFO和WARNING日志
# 导入必要的库
import
