keras 入门教程（一）

线性回归模型

这里注意 tensorflow2.0默认代的不是完整版 keras

 pip install keras -U --pre

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

from tensorflow import keras
print(tf.__version__)


from keras.models import Sequential
from keras.layers import Dense


X=np.linspace(-1,1,200)
np.random.shuffle(X)    # 将数据集随机化
Y=0.5*X+2+np.random.normal(0,0.05,(200,))# 假设我们真实模型为：Y=0.5X+2

plt.scatter(X,Y)
plt.show()

 

 

X_train,Y_train=X[:160],Y[:160]
X_test,Y_test=X[160:],Y[160:]


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(input_dim=1, units=1))# 通过add()方法一层层添加模型
                                            # Dense是全连接层，第一层需要定义输入，
                                            # 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')



print("training...")
for step in range(301):
    cost=model.train_on_batch(X_train,Y_train)
    print('traincost',cost)

 

training...
traincost 4.216369
traincost 4.0576506
traincost 3.905112
traincost 3.7585092
traincost 3.6176078
traincost 3.482185
traincost 3.352024
traincost 3.226918
traincost 3.1066682
traincost 2.9910836
trai