线性回归
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
# 使用numpy生成100个随机点
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()
# 构建一个顺序模型
model = Sequential()
# 在模型中添加一个全连接层
model.add(Dense(units=1,input_dim=1)) #units输出维度,input_dim输入维度
# sgd:随机梯度下降法
# mse:均方误差
'''
model.compile(optimizer='sgd'优化器是随机梯度下降,loss='mse')
'''
model.compile(optimizer='sgd',loss='mse')
# 训练3001个批次
for step in range(3001):
# 每次训练一个批次,这里面是把所有的数据作为一个批次
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)
# 打印权值和偏置值,只有一个层所以是1,
W,b = model.layers[0].get_weights()
print('W:',W,'b:',b)
# x_data输入网络中,得到预测值y_pred
y_pred = model.predict(x_data)
# 把图像显示出来 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()
非线性回归
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
# 使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise
# 显示随机点
plt.scatter(x_data,y_data)
plt.show()
# 构建一个顺序模型
model = Sequential()
# 在模型中添加一个全连接层
# 1-10-1
'''
model.add(Dense(units=10【输出维度10】,input_dim=1【输入维度1】,activation='tanh'))
'''
model.add(Dense(units=10,input_dim=1,activation='tanh'))
# model.add(Activation('tanh')) 也可以在这里加激活函数
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')) 这个也可以在这里加激活函数
# 定义优化算法
sgd = SGD(lr=0.3)
model.compile(optimizer=sgd,loss='mse')
# 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()