Keras搭建Regressor回归神经网络

写在前面：

刚刚开始学习keras，就在这里记录一下学习过程啦。
本文为使用keras搭建回归神经网络，对numpy的使用也有了一定的了解。

keras文档：https://keras.io/zh/
numpy文档：https://www.numpy.org.cn/index.html
莫烦python bilibili链接：https://space.bilibili.com/243821484/video

一、涉及的numpy函数

1、numpy.random.seed(num):
每次使用相同的num值，可以使得之后随即产生的数列是相同的；
若是不设置该值，则每次生成的随机数因时间的差异而不同。

2、numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
在指定的间隔内返回均匀间隔的数字；返回num均匀分布的样本，在[start, stop]之间。

3、numpy.random.shuffle(X)
打乱样本的顺序。

4、numpy.random.normal(loc=0.0, scale=1.0, size=None)
loc：概率分布的均值。
scale：概率分布的标准差（对应于分布的宽度，scale越大越矮胖，越小越瘦高）。
size：输出的shape，默认为None，只输出一个值。

二、涉及的matplotlib.pyplot函数

1、plt.scatter(X,Y)
画出散点图
2、plt.plot(X,Y)
画出线图
3、plt.show()
显示所画的图

三、代码

1.keras相关导入：

import numpy as np
np.random.seed(666)   
from keras.models import Sequential      #按顺序建立
from keras.layers import Dense           #全连接层
import matplotlib.pyplot as plt          #可视化的模块

2.数据集：

X=np.linspace(-1,1,200)                             #在（-1,1）之间创建共200个数据
np.random.shuffle(X)       
Y=0.5*X + 2 + np.random.normal(0,0.05,(200,))       #weights为0.5   biases为2
plt.scatter(X,Y)
plt.show()

设置训练集和测试集的个数：

X_train,Y_train = X[:160],Y[:160]     #前160个数
X_test,Y_test=X[160:],Y[160:]         #后40个数

3.构建神经网络：

Dense全连接层：
第一层需要定义输入；第二层则将第一层的输出作为输入

model=Sequential()
model.add(Dense(output_dim=1,input_dim=1))        #x和y的dim都是1

损失函数loss function & 优化器optimizer：
loss=‘mse’：mse即mean_squared_error，意为均方误差，也称标准差，可以反映一个数据集的离散程度。
optimizer=‘sgd’：使用随机梯度下降作为优化方法。

model.compile(loss='mse',optimizer='sgd')      

4.训练&测试：

训练：

print('training begin')
for step in range(301):
    cost=model.train_on_batch(X_train,Y_train)  
    if step%100==0:
        print('train cost:',cost)               #每100次输出一下cost

测试：

print('\ntesting begin')
cost=model.evaluate(X_test,Y_test,batch_size=40)
print('test cost:',cost)
W,b=model.layers[0].get_weights()         #get_weight返回这weights和biases这两个参数
print('weights=',W,'\nbiases=',b)

显示结果：

Y_pred = model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y_pred)
plt.show()

四、运行结果

train数据集：

test：

结果：

依次输出的cost的值：

最后结果：