代碼:
- 導入庫:
import keras
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential # 按順序構成的模型
from keras.layers import Dense # 全連接層
- 生成隨機數
# 使用Numpy生成隨機點
x_data = np.random.rand(100)
noise = np.random.normal(0, 0.01, x_data.shape) # 加上噪音
y_data = x_data*0.1 + 0.2 + noise # 構建 y 的數據
# 顯示數據點(散點圖)
plt.scatter(x_data, y_data)
plt.show()
- 創建模型並訓練
# 構建一個順序模型
model = Sequential()
# 在模型中添加一個全連接層
model.add(Dense(units=1, input_dim=1)) # 輸入1維數據,輸出1維數據
# 優化器:sgd:Stochastic gradient descent,隨機梯度下降
# 損失函數:mse:Mean Squared Error,均方誤差
model.compile(optimizer='sgd', loss='mse')
# 訓練5001個批次
for step in range(5001): # 迭代次數越多,結果會越精確
# 每次訓練一個批次
cost = model.train_on_batch(x_data,y_data)
# 每500個batch打印一次loss值
if step%500 == 0:
print('cost', cost)
# 打印權值和偏置值
W,b = model.layers[0].get_weights()
print('W: ',W,' b: ',b)
# 用模型進行預測
y_pred = model.predict(x_data)
# 顯示隨機點
plt.scatter(x_data,y_data)
# 顯示預測結果
plt.plot(x_data, y_pred,'r-', lw=3)
plt.show()
總代碼:
import keras
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential # 按順序構成的模型
from keras.layers import Dense # 全連接層
# 使用Numpy生成隨機點
x_data = np.random.rand(100)
noise = np.random.normal(0, 0.01, x_data.shape) # 加上噪音
y_data = x_data*0.1 + 0.2 + noise # 構建 y 的數據
# 顯示數據點(散點圖)
plt.scatter(x_data, y_data)
plt.show()
# 構建一個順序模型
model = Sequential()
# 在模型中添加一個全連接層
model.add(Dense(units=1, input_dim=1)) # 輸入1維數據,輸出1維數據
# 優化器:sgd:Stochastic gradient descent,隨機梯度下降
# 損失函數:mse:Mean Squared Error,均方誤差
model.compile(optimizer='sgd', loss='mse')
# 訓練5001個批次
for step in range(5001): # 迭代次數越多,結果會越精確
# 每次訓練一個批次
cost = model.train_on_batch(x_data,y_data)
# 每500個batch打印一次loss值
if step%500 == 0:
print('cost', cost)
# 打印權值和偏置值
W,b = model.layers[0].get_weights()
print('W: ',W,' b: ',b)
# 用模型進行預測
y_pred = model.predict(x_data)
# 顯示隨機點
plt.scatter(x_data,y_data)
# 顯示預測結果
plt.plot(x_data, y_pred,'r-', lw=3)
plt.show()
參考:
視頻: 覃秉豐老師的“Keras入門”:http://www.ai-xlab.com/course/32
博客參考:https://www.cnblogs.com/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/