Keras上基于TensorFlow实现简单线性回归模型

最新推荐文章于 2024-06-23 09:14:46 发布

DCY7074

最新推荐文章于 2024-06-23 09:14:46 发布

阅读量4.3k

点赞数

分类专栏：深度学习过程文章标签：深度学习-线性回归 keras tensorflow

本文链接：https://blog.csdn.net/qq_34355232/article/details/78181967

版权

本文介绍了如何使用Keras库基于TensorFlow后端实现简单的线性回归模型。通过实例展示了从数据生成、模型构建、编译、训练到验证的全过程，解释了模型的构建和训练方法，包括损失函数、优化器的选择以及训练过程中的输出反馈。

摘要由CSDN通过智能技术生成

神经网络可以用来模拟回归问题。
首先回归问题是什么，回归问题通常是用来预测一个值，如预测房价、未来的天气情况等等，例如一个产品的实际价格为500元，通过回归分析预测值为499元，我们认为这是一个比较好的回归分析。一个比较常见的回归算法是线性回归算法（LR）。另外，回归分析用在神经网络上，其最上层是不需要加上softmax函数的，而是直接对前一层累加即可。回强调内容归是对真实值的一种逼近预测。
这里我们就是用一条线段来对一些连续的数据进行拟合，进而我们可以通过这个曲线预测出新的输出值。
首先是数据图：
这里写图片描述
我们需要做的就是将其用一条直线将其取代。类似下图：

一、根据代码对其进行详细解读
1.导入的模块
导入本例子需要的模块，numpy、Matplotlib、kears.models和keras.models模块。Sequential（）是多个网络层的线性堆叠。可以直接在其内部加入各个网络层或者通过 add（）函数一个一个将网络层加入其中。Dense是全连接神经网络层。

model.add(Dense(64, input_dim=64, W_regularizer=l2(0.01), activity_regularizer=activity_l2(0.01)))
Dense层包括output_dim（输出维度）、input_dim（输入维度）、activation（激活函数）、weights（权值）、W_regularizer（施加在权值上的正则项）、b_regularizer（施加在偏置向量上的正则项）、activity_