使用Keras实现简单线性回归模型操作

以你之姓@ 2023-02-18 08:24 41阅读 0赞

使用Keras实现简单线性回归模型操作

更多python视频教程请到菜鸟教程https://www.piaodoo.com/

神经网络可以用来模拟回归问题 (regression)，实质上是单输入单输出神经网络模型，例如给下面一组数据，用一条线来对数据进行拟合，并可以预测新输入 x 的输出值。

![20200612160826.jpg][]

**一、详细解读**

我们通过这个简单的例子来熟悉Keras构建神经网络的步骤：

**1.导入模块并生成数据**

首先导入本例子需要的模块，numpy、Matplotlib、和keras.models、keras.layers模块。Sequential是多个网络层的线性堆叠，可以通过向Sequential模型传递一个layer的list来构造该模型，也可以通过.add()方法一个个的将layer加入模型中。layers.Dense 意思是这个神经层是全连接层。

**2.建立模型**

然后用 Sequential 建立 model，再用 model.add 添加神经层，添加的是 Dense 全连接神经层。参数有两个，（注意此处Keras 2.0.2版本中有变更）一个是输入数据的维度，另一个units代表神经元数，即输出单元数。如果需要添加下一个神经层的时候，不用再定义输入的纬度，因为它默认就把前一层的输出作为当前层的输入。在这个简单的例子里，只需要一层就够了。

**3.激活模型**

model.compile来激活模型，参数中，误差函数用的是 mse均方误差；优化器用的是 sgd 随机梯度下降法。

**4.训练模型**

训练的时候用 model.train\_on\_batch 一批一批的训练 X\_train, Y\_train。默认的返回值是 cost，每100步输出一下结果。

**5.验证模型**

用到的函数是 model.evaluate，输入测试集的x和y，输出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一层 model.layers\[0\] 学习到的参数。从学习到的结果你可以看到, weights 比较接近0.5，bias 接近 2。

> Weights= \[\[ 0.49136472\]\]
> 
> biases= \[ 2.00405312\]

**6.可视化学习结果**

最后可以画出预测结果，与测试集的值进行对比。

![20200612160834.jpg][]

**二、完整代码**

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

# 生成数据 #

X = np.linspace(-1, 1, 200) \#在返回（-1, 1）范围内的等差序列  
np.random.shuffle(X) \# 打乱顺序  
Y = 0.5 \* X + 2 + np.random.normal(0, 0.05, (200, )) \#生成Y并添加噪声

# plot #

plt.scatter(X, Y)  
plt.show()

X\_train, Y\_train = X\[:160\], Y\[:160\] \# 前160组数据为训练数据集  
X\_test, Y\_test = X\[160:\], Y\[160:\] \#后40组数据为测试数据集

# 构建神经网络模型 #

model = Sequential()  
model.add(Dense(input\_dim=1, units=1))

# 选定loss函数和优化器 #

model.compile(loss=‘mse’, optimizer=‘sgd’)

# 训练过程 #

print(‘Training -----------’)  
for step in range(501):  
cost = model.train\_on\_batch(X\_train, Y\_train)  
if step % 50 == 0:  
print(“After %d trainings, the cost: %f” % (step, cost))

# 测试过程 #

print(’\\nTesting ------------’)  
cost = model.evaluate(X\_test, Y\_test, batch\_size=40)  
print(‘test cost:’, cost)  
W, b = model.layers\[0\].get\_weights()  
print(‘Weights=’, W, ‘\\nbiases=’, b)

# 将训练结果绘出 #

Y\_pred = model.predict(X\_test)  
plt.scatter(X\_test, Y\_test)  
plt.plot(X\_test, Y\_pred)  
plt.show()

**三、其他补充**

**1. numpy.linspace**

> numpy.linspace(start, stop, num=50, endpoint=True,retstep=False,dtype=None)

返回等差序列,序列范围在(start,end),生成num个元素的np数组,如果endpoint为False,则生成num+1个但是返回num个,retstep=True则在其后返回步长.

>>> np.linspace(2.0, 3.0, num=5)
    array([ 2. , 2.25, 2.5 , 2.75, 3. ])
    >>> np.linspace(2.0, 3.0, num=5, endpoint=False)
    array([ 2. , 2.2, 2.4, 2.6, 2.8])
    >>> np.linspace(2.0, 3.0, num=5, retstep=True)
    (array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)

以上这篇使用Keras实现简单线性回归模型操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多

[20200612160826.jpg]: https://img.jbzj.com/file_images/article/202006/20200612160826.jpg
[20200612160834.jpg]: https://img.jbzj.com/file_images/article/202006/20200612160834.jpg