简单粗暴的tensorflow-模型与层

#y_pred = a * X + b进行模型建立
import tensorflow as tf
X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[10.0], [20.0]])
class Linear(tf.keras.Model)#模型定义
    def __init__(self):
        super().__init__()
        self.dense = tf.keras.layers.Dense(     #全连接层
            units=1,                            #输出维度
            activation=None,                    #激活函数
            kernel_initializer=tf.zeros_initializer(),  #权重初始化
            bias_initializer=tf.zeros_initializer()     #偏置初始化
        )

    def call(self, input):
        output = self.dense(input)
        return output

# 以下代码结构与前节类似
model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)     #模型优化器-梯度下降
for i in range(100):
    with tf.GradientTape() as tape: #梯度录像带
        y_pred = model(X)           # 调用模型 y_pred = model(X) 而不是显式写出 y_pred = a * X + b
        loss = tf.reduce_mean(tf.square(y_pred - y))    #定义loss函数
    grads = tape.gradient(loss, model.variables)        # 计算梯度，使用 model.variables 这一属性直接获得模型中的所有变量
    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))       #优化器进行梯度更新
print(model.variables)