机器学习 Keras拟合正弦函数

最新推荐文章于 2024-08-06 22:06:17 发布

==Microsoft==

最新推荐文章于 2024-08-06 22:06:17 发布

阅读量436

点赞数

分类专栏：机器学习文章标签：机器学习 keras python

本文链接：https://blog.csdn.net/MrTreebook/article/details/125965921

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

该博客演示了如何使用Python的Keras库来训练神经网络模型，以拟合随机生成的正弦函数数据集。首先定义了数据生成函数，然后创建了一个多层前馈网络，并使用随机梯度下降优化器进行训练。经过10000次迭代后，模型在数据集上进行了预测并绘制了结果。

摘要由CSDN通过智能技术生成

1.dataset

from random import random
import numpy as np


def f(x):
    a = -1
    b = 1
    c = 1
    return a * (x ** 2) + b * x + c

def g(x):
    k = 1
    b = 1
    return k * x + b

def h(x):
    return np.sin(x)


def get_data(num):

    cnt = (np.random.random(100) - 0.5) * 20
    cnt = np.sort(cnt)
    X = cnt
    Y = h(cnt)
    return X, Y


if __name__ == '__main__':
    X, Y = get_data(100)
    print(X)
    print(Y)

2.keras

from turtle import color
import matplotlib.pyplot as plt
import numpy as np
import get_data
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

X, Y = get_data.get_data(500)
model = Sequential()

# 当前层神经元数量：1  激活函数类型：sigmoid  输入数据特征纬度：1
model.add(Dense(units=200, input_dim=1))
model.add(Dense(units=100))
model.add(Dense(units=100))
model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
# model.add(Dense(units=100, activation='sigmoid'))
model.add(Dense(units=1))

# 损失函数（均方误差） 优化器（sgd：随机梯度下降算法） 评估标准（accuracy：准确度）
model.compile(loss='mse', optimizer=SGD(lr=0.01), metrics=['accuracy'])

model.summary()

model.fit(X, Y, epochs=10000, batch_size=20)

pres = model.predict(X)

plt.scatter(X, Y)
plt.plot(X, pres, color='red')
plt.show()