2. 使用keras-神經網絡來做線性迴歸問題

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/