下面以一个线性回归的模型为例来介绍使用Eager模型进行机器学习计算的方法，其中涉及模型参数的保存与读取以及保存模型的重新计算。

2.3.1　模型的工具与数据的生成

首先是模型的定义，这里使用一个简单的一元函数模型作为待测定的模型基础，公式如下：

即3倍的输入值加上0.217作为输出值。

2.3.2　模型的定义

由于既定的模型是一个一元线性方程，因此在使用Eager模型时自定义一个类似的数据模型，代码如下：

    weight = tfe.Variable(1., name="weight")
    bias = tfe.Variable(1., name="bias")
    def model(xs):
       logits = tf.multiply(xs, weight) + bias
    return logits

首先使用固定数据定义模型初始化参数weight和bias，之后定义一个线性回归模型在初始状态拟合了一元回归模型。

2.3.3　损失函数的定义

对于使用机器学习进行数据拟合，一个非常重要的内容就是损失函数的编写，其往往决定着对于数据从空间中的哪个角度去拟合真实数据。

在本例中，使用均方差（MSE）去计算拟合的数据与真实数据之间的误差，代码如下：

    tf.losses.MeanSquaredError()(model(xs), ys)

这是使用TensorFlow自带损失函数计算MSE（均方差）的表示方法，当然也可以使用自定义的损失函数：

    tf.reduce_mean(tf.pow((model(xs) - ys), 2)) / (2 * 1000)

这两者是等效的，不过自定义的损失函数可以使程序编写者获得更大的自由度。对于新手来说还是使用定制的损失函数去计算较好，请读者自行斟酌。

2.3.4　梯度函数的更新计算

可以直接调用TensorFlow的优化器完成梯度函数的计算。笔者选择使用Adam优化器作为优化工具，代码如下：

    opt = tf.train.AdamOptimizer(1e-1)

opt对应的是TensorFlow优化器的对应写法。全部代码如下：

【程序2-5】

该程序的运行结果如图2.3所示。

图2.3　程序2-5的运行结果

可以看到经过迭代计算以后，生成的weight值和bias值较好地拟合成预定的数据。有TensorFlow 1.X编程经验的读者可能会对这种数据更新的方式不习惯，不过记住这种写法即可：

    grads = tape.gradient(_loss, [weight, bias])
    opt.apply_gradients(zip(grads, [weight, bias]))

除此之外，Keras对于梯度的更新采用回调的方式，代码如下：

全部代码如下所示（函数调用过于复杂，仅供参考）：

【程序2-6】

在这里函数直接被调用，其内部多次用到回调函数，对Python有较多研究的读者可以尝试。 E3SKIJ3cWAMHD5QObMFR4ZKydXhrfb/qQm4/gimlmW+Xhh1ywI+EhIwxM1IVodTF