keras 非线性回归

显示200个随机点

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,Activation
from keras.optimizers import SGD

# 数据 使用numpy生成200个随机点 范围（-0.5,0.5）
x_data = np.linspace(-0.5,0.5,200)
# 噪声
noise = np.random.normal(0,0.02,x_data.shape)
# 开方
y_data = np.square(x_data) + noise

# 显示随机点
plt.scatter(x_data,y_data)
plt.show()

曲线拟合

# 构建一个顺序模型
model = Sequential()
# 在模型中添加一个全连接层
# 输入1----隐藏层10-----输出1
# 只有第一层需要输入 不写activation默认是线性激活函数 加入激活函数提升非线性 双曲正切tanh 加上才变为曲线
model.add(Dense(units=10,input_dim=1,activation='tanh'))
# model.add(Activation('tanh')) #加激活函数的另一种方法 快捷键注释语句为ctrl+?
model.add(Dense(units=1,activation='tanh')) #上一层输出为10所以这层输入也为10不需要再指定
# model.add(Activation('tanh'))

# 定义优化算法 定义自己的学习率 
sgd = SGD(lr=0.3)
model.compile(optimizer=sgd,loss='mse')

# 一下与线性回归一样
# 训练3001个批次
for step in range(3001):
    # 每次训练一个批次
    cost = model.train_on_batch(x_data,y_data)
    # 每500个batch打印一次cost值
    if step % 500 == 0:
        print('cost:',cost)
        
# x_data输入网络中，得到预测值y_pred
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()

#输出结果
cost: 0.012945292
cost: 0.0045377044
cost: 0.0015108829
cost: 0.00050024246
cost: 0.00042749985
cost: 0.00042587577
cost: 0.00042743183