Python AI模型训练实战：线性回归与TensorFlow神经网络代码解析

脚本专家

本文基于加州房价数据集，演示如何使用Python从零构建并训练AI模型。内容涵盖数据预处理、线性回归、多层神经网络、模型优化以及Flask API部署，所有代码均可直接运行。

一、环境准备与数据加载
首先安装必需库：

2. pip install numpy pandas matplotlib seaborn scikit-learn tensorflow

复制代码

加载sklearn内置的加州房价数据集：

2. from sklearn.datasets import fetch_california_housing
3. import pandas as pd
5. housing = fetch_california_housing()
6. data = pd.DataFrame(housing.data, columns=housing.feature_names)
7. data['PRICE'] = housing.target
8. print(data.head())

复制代码

数据标准化：使用StandardScaler将特征减去均值除以标准差，使模型收敛更快：

2. from sklearn.preprocessing import StandardScaler
4. scaler = StandardScaler()
5. features = data.drop('PRICE', axis=1)
6. target = data['PRICE']
7. features_scaled = scaler.fit_transform(features)

复制代码

二、训练线性回归模型
划分训练集和测试集（80/20）：

2. from sklearn.model_selection import train_test_split
4. X_train, X_test, y_train, y_test = train_test_split(
5.     features_scaled, target, test_size=0.2, random_state=42)

复制代码

训练并评估：

2. from sklearn.linear_model import LinearRegression
3. from sklearn.metrics import mean_squared_error, r2_score
5. model = LinearRegression()
6. model.fit(X_train, y_train)
7. y_pred = model.predict(X_test)
9. mse = mean_squared_error(y_test, y_pred)
10. r2 = r2_score(y_test, y_pred)
11. print(f'MSE: {mse}, R²: {r2}')

复制代码

MSE越小越好，R²越接近1说明模型拟合度越高。该线性回归模型作为基准。

三、构建深度学习神经网络
使用TensorFlow搭建全连接神经网络：

2. import tensorflow as tf
3. from tensorflow.keras.models import Sequential
4. from tensorflow.keras.layers import Dense, Input
6. nn_model = Sequential([
7.     Input(shape=(X_train.shape[1],)),
8.     Dense(64, activation='relu'),
9.     Dense(32, activation='relu'),
10.     Dense(1)
11. ])
12. nn_model.compile(optimizer='adam', loss='mse', metrics=['mae'])
13. nn_model.summary()

复制代码

训练100轮，批大小32，20%验证集：

2. history = nn_model.fit(
3.     X_train, y_train,
4.     epochs=100,
5.     batch_size=32,
6.     validation_split=0.2,
7.     verbose=1)

复制代码

评估测试集：

2. test_loss, test_mae = nn_model.evaluate(X_test, y_test)
3. print(f'Test MSE: {test_loss}, Test MAE: {test_mae}')

复制代码

四、模型优化策略
1. 防止过拟合——添加Dropout层：

2. from tensorflow.keras.layers import Dropout
4. nn_model = Sequential([
5.     Input(shape=(X_train.shape[1],)),
6.     Dense(64, activation='relu'),
7.     Dropout(0.5),
8.     Dense(32, activation='relu'),
9.     Dense(1)
10. ])
11. nn_model.compile(optimizer='adam', loss='mse', metrics=['mae'])

复制代码

2. 早停法——在验证损失不再下降时停止训练：

2. from tensorflow.keras.callbacks import EarlyStopping
4. early_stop = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)
5. history = nn_model.fit(
6.     X_train, y_train,
7.     epochs=200,
8.     batch_size=64,
9.     validation_split=0.2,
10.     callbacks=[early_stop])

复制代码

3. 调整学习率：

2. from tensorflow.keras.optimizers import Adam
4. nn_model.compile(optimizer=Adam(learning_rate=0.0001), loss='mse', metrics=['mae'])

复制代码

五、模型保存与Flask部署
保存模型为文件夹：

2. nn_model.save('my_ai_model')

复制代码

创建Flask API服务（app.py）：

2. from flask import Flask, request, jsonify
3. import numpy as np
4. from tensorflow.keras.models import load_model
6. model = load_model('my_ai_model')
7. app = Flask(__name__)
9. @app.route('/predict', methods=['POST'])
10. def predict():
11.     data = request.json
12.     features = np.array(data['features']).reshape(1, -1)
13.     prediction = model.predict(features)
14.     return jsonify({'prediction': float(prediction[0][0])})
16. if __name__ == '__main__':
17.     app.run(debug=True)

复制代码

启动后使用curl测试：

2. curl -X POST -H "Content-Type: application/json" -d '{"features":[0.1,-0.2,0.5,0.3,0.7,-1.1,0.4,0.9]}' http://127.0.0.1:5000/predict

复制代码

返回JSON格式预测值。

通过上述步骤，你已掌握从数据准备、模型训练、优化到部署的完整AI开发流程。实际项目中可根据需求调整网络深度、正则化强度或使用GPU加速（检查GPU可用性：tf.config.list_physical_devices('GPU')）。

热心网友6

楼主写得非常详细，从数据加载、预处理到模型训练、优化再到部署，整个流程很完整，代码也能直接跑，对我这种刚接触深度学习的新手帮助很大。 想问一下：在Flask部署的部分，输入的数据需要先做标准化才能传给模型，但代码里直接用了`request.json`。是不是需要在`predict`函数里再调用一次训练时保存的Scaler（比如用joblib存下来）对输入做同样的标准化处理？还是说模型已经能直接处理未标准化的数据了？ 另外，线性回归和神经网络在测试集上的MSE/MAE对比结果楼主能分享一下吗？想看看引入深度网络后提升幅度有多大。

热心网友6

感谢楼主的详细教程！从数据预处理到模型部署一气呵成，代码可以直接跑起来，非常实用。 想请教一个小问题：我在跑神经网络那部分时，发现训练集和测试集都是用标准化后的特征，但目标变量 `PRICE` 没有做标准化。这种做法在回归任务中很常见吗？会不会影响 Adam 优化器的收敛？另外，部署时加载模型后，输入数据也需要用之前拟合的 `scaler` 转换吧，这部分楼主是不是省略了示例？ 再次感谢分享，期待更多实战帖子！

热心网友6

很实用的教程，代码可以直接跑通这点好评。我有个小问题：把Dropout设成0.5会不会太高？以前试过类似大小的网络，0.5感觉丢得有点多，容易欠拟合。楼主实际对比过不同dropout率的效果吗？另外，保存模型的时候需要把StandardScaler也一起存下来吧？不然部署时新数据没法标准化。有没有考虑用Pipeline把scaler和模型打包？期待后续能补上这部分。