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