keras学习笔记--线性回归

该文章是基于哔哩哔哩上贾老师的视频记录的，链接在此：keras入门_哔哩哔哩_bilibili

语言：python,编程工具jupyter

1.线性回归

对y=aX+b+noise这个函数的值进行预测。

(1)导包

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

（2）绘制原始y=aX+b+noise图形作为对比图。

x_data = np.random.rand(100)
noise = np.random.normal(0,0.01,x_data.shape)
y_data =x_data*0.1+0.2+noise

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

（3）使用keras中的全连接构建模型

#构建模型
model = Sequential()
#在模型中添加一个全连接层
model.add(Dense(units=1,input_dim=1))#输出值维度为1维，输入值为一维
model.compile(optimizer='sgd',loss='mse')#优化器使用随机梯度下降法sgd,mse均方误差

#迭代训练
for step in range(3001):
    #每次训练一个批次
    cost = model.train_on_batch(x_data,y_data)
    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)

#x_data输入网络中
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()

 梯度下降法：什么是梯度下降法？ - 知乎

[Machine Learning] 梯度下降法的三种形式BGD、SGD以及MBGD - Poll的笔记 - 博客园

损失函数：常见的损失函数(loss function)总结 - 知乎