写一个简单的深度学习模型

最近在准备毕业设计，但是模型的数据太少，所以容易出错，我就来简单学习一下模型的结构。
写一个简单的深度学习模型：
环境：vscode，python 3.9.6 ， window 11
需要安装的库：

import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.layers import Dense

我这里使用pip insatll 安装总是失败，所以我都是采用镜像安装，清华镜像挺好用的

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple #安装numpy

pip install -i https://mirrors.aliyun.com/pypi/simple/ matplotlib #matplotlib安装

pip3 install -i https://mirrors.aliyun.com/pypi/simple/ keras #keras安装

一般不用特地安装pip，如果安装不成功，就安装一个pip
代码部分：

import numpy as np  
import matplotlib.pyplot as plt  
from keras.models import Sequential  
from keras.layers import Dense  
#从Keras库中导入`Dense`类。`Dense`是一个常用的神经网络层，代表一个全连接层。
  
# 定义数据点的数量  
num_points = 1200  
  
# 定义线性模型的参数  
a = 2  
b = 1  
  
# 生成 x 值  
x = np.linspace(-1, 1, num_points)  #使用linspace函数在-1到1这个区间里面取值
  
# 生成噪声  
noise = np.random.normal(0.0, 0.04, size=x.shape)  
  
# 计算 y 值  
y = a * x + b + noise  
  
# 绘制输入数据  
plt.plot(x, y, 'o')  
plt.title('Input data')  
plt.xlabel('x')  
plt.ylabel('y')  
plt.show()  
  
# 如果打算用这些数据来训练一个模型，可以继续如下：  
model = Sequential()  
model.add(Dense(1, input_dim=1, activation='linear'))  
# 编译模型  编译模型，设置损失函数为均方误差（MSE），优化器为随机梯度下降（SGD）
model.compile(loss='mean_squared_error', optimizer='sgd')  
  
# 将数据转换为适合训练的形状  
x_train = x.reshape(-1, 1)  
y_train = y.reshape(-1, 1)  
  
# 训练模型  
model.fit(x_train, y_train, epochs=10)

运行程序会出现图片，图片结束以后，就可以看到我们训练的模型了，模型里面有一些参数：
这里是每个训练周期后损失函数的值：

Epoch 1: loss: 3.5201
Epoch 2: loss: 1.9141
Epoch 3: loss: 1.1080
Epoch 4: loss: 0.6560
Epoch 5: loss: 0.3934
Epoch 6: loss: 0.2364
Epoch 7: loss: 0.1425
Epoch 8: loss: 0.0861
Epoch 9: loss: 0.0525
Epoch 10: loss: 0.0322
损失函数的值随着训练周期的增加而减少，这意味着模型正在逐渐学习如何更好地拟合数据。在每个周期结束时，模型的预测能力都有所提高，因为损失函数的值变小了。但是不能过小，不然容易过度拟合，当然，我们这个就是简单熟悉环境，然后训练第一个自己的模型，互相学习