简单的机器学习

# Regressor example
# Code: https://github.com/keloli/KerasPractise/edit/master/Regressor.py

import numpy as np #NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab

np.random.seed(1337)
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt #Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。

# 创建数据集
X = np.linspace(-1, 1, 200) #在指定的间隔内返回均匀间隔的数字
np.random.shuffle(X)  # 将数据集随机化,打乱顺序
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200,)) #概率分布的均值,标准差 # 假设我们真实模型为：Y=0.5X+2
plt.scatter(X, Y)# 绘制数据集
plt.show()

X_train, Y_train = X[:160], Y[:160]  # 把前160个数据放到训练集
X_test, Y_test = X[160:], Y[160:]  # 把后40个点放到测试集

# 定义一个model，
model = Sequential()  # Keras有两种类型的模型，序贯模型（Sequential）和函数式模型
# 比较常用的是Sequential，它是单输入单输出的
model.add(Dense(output_dim=1, input_dim=1))  # 通过add()方法一层层添加模型
# Dense层就是所谓的全连接神经网络层
# output_dim: int >= 0，输出结果的维度
# 第二层无需指定输入，一般第二层把第一层的输出作为输入

# 定义完模型就需要训练了，不过训练之前我们需要指定一些训练参数
# 通过compile()方法选择损失函数和优化器
# 这里我们用均方误差作为损失函数，随机梯度下降作为优化方法
model.compile(loss='mse', optimizer='sgd')
#经典损失函数——均方误差(MSE)https://blog.csdn.net/lewis1993_cpapa/article/details/79598664
# 开始训练
print('Training -----------')
for step in range(301):
    cost = model.train_on_batch(X_train, Y_train)  # Keras有很多开始训练的函数，这里用train_on_batch（）
    if step % 100 == 0:
        print('train cost: ', cost)
#train_on_batch本函数在一个batch的数据上进行一次参数更新函数返回训练误差的标量值或标量值的list，与evaluate的情形相同。
# 测试训练好的模型
print('\nTesting ------------')
cost = model.evaluate(X_test, Y_test, batch_size=40)
print('test cost:', cost)
W, b = model.layers[0].get_weights()  # 查看训练出的网络参数
# 由于我们网络只有一层，且每次训练的输入只有一个，输出只有一个
# 因此第一层训练出Y=WX+B这个模型，其中W,b为训练出的参数
print('Weights=', W, '\nbiases=', b)

# plotting the prediction
Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()
# author：zhangpengxu

输出

Training -----------
train cost: 4.0225005
train cost: 0.07323862
train cost: 0.00386274
train cost: 0.0026434488

Testing ------------

40/40 [==============================] - 0s 439us/step
test cost: 0.0031367032788693905
Weights= [[0.4922711]]
biases= [1.9995022]