【keras学习（一）】线性回归模型

本博客现阶段所用的是tensorflow2.0版本，keras已经被集成于其中，所以不同版本的tensorflow可能用法有所不同，但是大同小异。

一、线性回归模型

线性回归大致意思就是根据给出的数据，预测接下来数据的走向，很经典的应用就是预测股票市场之类的，但是注意一般都要求数据呈现线性特征，效果才会好。

二、代码分析

1、导入numpy模块、matplotlib模块、tensorflow中的keras模块

import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras

其中numpy模块是进行数学运算的强大工具，matplotlib是绘图的工具，keras是神经网络搭建的工具

2、建立一个y=0.1 * x + 0.02的100个随机数据点，这些数据点都加了噪声在其中

#使用numpy生成100个随机点
x_data = np.random.random(100)
noise = np.random.normal(0,0.01,x_data.shape)
y_data = x_data*0.1 + 0.2 + noise

其中noise是从均值为0，标准差为0.01的数据中取出的数据，使得y_data更加符合现实环境下的情况

3、定义学习的模型

#使用keras的Sequential函数建立一个顺序模型
model = keras.Sequential()
#在模型中添加一个全连接层
model.add(keras.layers.Dense(units=1,input_dim=1))
#优化方法：sgd（随机梯度下降算法）
#损失函数：mse（均方误差）
model.compile(optimizer='sgd',loss='mse')

使用顺序模型、构建拥有一个节点的全连接层，且输入是一维的

再使用优化算法、损失函数对模型进行优化

4、定义学习模型后，feed数据进去进行学习

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
    if step % 500 == 0:
        print('cost:',cost)
#打印权值和偏置值
W,b = model.layers[0].get_weights()
print('W:',W,'b:',b)

5、最后在图上显示出训练好的模型预测数据，以及原始点

#x_data输入到网络中，得到预测值y_pred
y_pred = model.predict(x_data)

#显示随机点的结果
plt.scatter(x_data,y_data)

#显示预测点的结果
plt.plot(x_data,y_pred,'r-',lw=3)
plt.show()

plt.plot函数中‘r-’参数是指用红色连线画出预测结果，最终显示的结果如下图所示

 

蓝色的点是生成的随机点，红色的线是数据预测形成的线