keras入门(一) 求线性方程解

为什么用keras写呢，当然是因为它搭建网络速度快，使用简单，作为tensorflow的封装，省去了很多中间层，也省去了繁琐的步骤，所以刚刚入门的同学可以先用keras敲开深度学习的大门，搭建自己的网络结构，相比于tensorflow的流程图(刚开始真的不好理解)真的好太多，如果未来需要深入学习，tensorflow的学习还是不可避免的，因为它更加偏底层一些，更容易理解网络结构

from keras.layers import Dense
from keras.models import Sequential
from keras.optimizers import SGD
import numpy as np
from matplotlib import pyplot as plt

X = np.random.randint(0, 10, size=(10000, 1)) #一个1000行的二维数组，范围0~10
Y = X * 50 + 40 + np.random.rand()
plt.scatter(X, Y)
plt.show()
model = Sequential()
#model.add(Dense(10))
model.add(Dense(input_dim=1, units=1, activation='linear'))
sgd = SGD(lr=0.001)
# 自定义loss函数，可以直接用函数名代替MSE
def squared_error(y_true, y_predict):
    return  K.square(y_predict - y_true)
model.compile(optimizer=sgd, loss='MSE', metrics=['mae'])
model.fit(X, Y, batch_size=500, epochs=1000, verbose=1)
print(model.layers[0].get_weights())

上方代码是一个y=kx+b的训练代码，通过不断的训练数据，最后得到了需要的k,b

[array([[50.000465]], dtype=float32), array([40.861874], dtype=float32)]

作为一个简单的网络，整体loss收敛很慢，去理解网络这些都不重要啦。中间有一个全连接层注释掉了，如果解开之后，整个网络能够收敛的更快，效果会更好，但是权重可能就不再是直观看到的k,x两个参数了,会有很多参数了。