1.线性回归

代码运行平台为jupyter-notebook，文章中的代码块，也是按照jupyter-notebook中的划分顺序进行书写的，运行文章代码，直接分单元粘入到jupyter-notebook即可。

1.导入第三方库

import keras
import numpy as np
import matplotlib.pyplot as plt
# Sequential 按顺序构成的模型
from keras.models import Sequential
# Dense 全连接层
from keras.layers import Dense

2.随机生成数据集

# 使用numpy生成100个随机点
x_data = np.random.rand(100)
# 噪音的形状和x_data的形状是一样的
noise = np.random.normal(0,0.01,x_data.shape)
# 设置w=0.1 b=0.2   
y_data = x_data*0.1+0.2+noise
# y_data_no_noisy = x_data*0.1+0.2
# 显示随机点
plt.scatter(x_data,y_data)
# plt.scatter(x_data,y_data_no_noisy)

运行效果：
这是添加噪声的情况下y_data = x_data*0.1+0.2+noise：

不添加噪声的情况下y_data_no_noisy = x_data*0.1+0.2（w=0.1,b=0.2）：

线性回归就是要根据添加噪声的散点图，拟合出一条与不添加噪声的散点图近似的直线。

3.线性回归

# 构建一个顺序模型
model = Sequential()
# 在模型中添加一个全连接层  在jupyter-notebook中，按shift+tab可以显示参数
model.add(Dense(units=1,input_dim=1))
# sgd:Stochastic gradient descent , 随机梯度下降法
# mse:Mean Squared Error , 均方误差
model.compile(optimizer='sgd',loss='mse')

# 训练3001个批次
for step in range(3001):
    # 每次训练一个批次 的损失
    cost = model.train_on_batch(x_data,y_data)
    # 每500个batch打印一次cost
    if step%500==0:
        print("cost:",cost)

# 打印权值和批次值
W,b = model.layers[0].get_weights()
print("W:",W)
print("b:",b)

# x_data输入网络中得到预测值
y_pred = model.predict(x_data)

# 显示随机点
plt.scatter(x_data,y_data)
# 显示预测结果
plt.plot(x_data,y_pred,"r-",lw=3)
plt.show()

运行效果：

可以看到预测出来的w和b都十分接近我们设置的w和b。

注意

• 在jupyter-notebook中，按shift+tab可以显示参数
• train_on_batch的使用
• compile的使用