Keras实现一个简单的Regression回归

linux平台下运行，使用Keras框架，其中构建神经网络很简单，例子中指构造了一层神经网络
通过深度学习，将图中的点回归成线性模型，学习直线的W和b

#import various of packages
import numpy as np

np.random.seed(1337)
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

#create some data
X=np.linspace(-1,1,200)
np.random.shuffle(X)
//最后训练出的结果W越接近0.5，b越接近2则效果越好
Y=0.5*X+2+np.random.normal(0,0.05,(200,))

#plot data
plt.scatter(X,Y)
plt.show()

//前160个数据作为训练样本，用于训练模型
X_train,Y_train=X[:160],Y[:160]
X_test,Y_test=X[160:],Y[160:]

#build a neural network
model=Sequential()
//Dense为全连接层，设定输入和输出的维度，因为每次输入的是一个点，所以维度为1，输出也是一个点，所以维度也为1.
model.add(Dense(output_dim=1,input_dim=1))

#choose loss function and optimizer
//训练之前，编译，设置随时函数，和优化函数
model.compile(loss='mse',optimizer='sgd')


#training
//训练步骤，300次，每100次返回一个损失值
print('Training---------------')
for step in range(301):
//每次训练batch大小的数据量
    cost=model.train_on_batch(X_train,Y_train)
    if step%100==0:
        print('train cost:',cost)


#test
print('\nTesting---------------')
cost=model.evaluate(X_test,Y_test,batch_size=40)
print('test cost:',cost)
//返回权重项和偏置项
W,b=model.layers[0].get_weights()
print('Weight=',W,'\nbiases=',b)


#plotting the prediction
//图形化的形式，显示出来
Y_pred=model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y_pred)
plt.show()

运行结果：

最后训练结果W=0.49222， b=1.99950