零基础从20K到25K的深度学习之路--3 用keras做一个回归模型

用keras做一个回归模型

摘要：这是一个系列的文章，讲述了一个工程师从零自学深度学习的过程。希望能和大家100小时入门深度学习，然后慢慢积累10000小时成为大师。用深度学习做一个回归模型,用于做预测。

 

1.什么是回归？

啥是回归？用听不懂的语言说，回归是一种数学模型，然后xxxxxxx

然后用我的话说，现在有个x，还有个y，y和x有一种关系，咱们先来个简单的例子。y=3x+2,这也是一种回归，

只不过是那种比较简单的回归，线性模型回归。这种线性模型回归有啥用？

比如对于我现在在顺丰，可能会有这样一个情景，可能某个地方人越多，那么件量就会多，这可能就是一种最简单的回归关系。

然后我们就可以用回归来做预测。假如y是件量，x是人数，而且我们通过机器学习，发现y和x存在y=3x+2的关系，那么只要

我们知道了有多少人，然后是不是就可以做件量预测，是不是就可以预测会有多少件量，从而更深层的做一些人力资源排班啥的。

这就是一个简单的应用场景。

 

2.需要什么基本的keras基础知识？

    2.1 先建房子，构建keras的model

    keras中最主要的数据结构式model，咱们可以理解为房子的框架。有了这个房子架构之后，咱们在往里面添家具，做更复杂的事情。

    keras有两种方式建造model，一种是Sequential model，这种model很简单，就像打游戏通关一样，咱们要做的仅仅是增加关卡一样。

    另外一种方式是高级API，这种是用来做一些更加复杂的模型，比如多输出模型等等。现在暂时不用管，咱们先把Sequential 用好就行了。

    通过下面简单的两句话，我们就建好了房子的框架。

 

[Python] 纯文本查看 复制代码

?

1 2	[/p][p=26, null, left]from keras.models import Sequential models = Sequential()[/p][p=26, null, left]

 

    2.2 建好房子，再往里面添家具（keras的图层的概念）

    怎么理解图层？这就是得去恶补一下卷积神经网络的概念了。

    深度学习模型肯定包括输入层，输出层，还有中间一个隐藏层，只不过模型越复杂，中间那个隐藏层就越多，越难。

    咱们初学者可以把这些图层理解为我们如何发现x和y存在关系的一个过程。

    常用的图层有卷积层、MaxPooling 层、全连接层、Dropout、扁平层。

今天的线性回归模型只用到全连接dense层。

 

    2.3 数据输入

    深度学习的第一层是输入层，需要将训练数据读进去，所以这一层必须制定输入数据的维度input_shape

 

model.add(Conv2D(32, (3,3), activation='relu', input_shape=(224, 224, 3)))

    比如这里我们就构建了一个卷积层，输入数据的大小是224*224*3

    模型创建好了，我们要用优化器和损失函数。

 

model.compile(loss='binary_crossentropy', optimizer='rmsprop')

    机器学习初级工程师有一个很重要的工作就是调参，俗称‘调包侠’。怎么理解？

     上面的损失函数和优化器其实有很多很多中，都是牛逼的人做好的。

     有时候我们的模型用优化器A效果要由于优化器B，不同的优化器在不同的场景下效果是不同的。

     这就需要不断地尝试，才能发现规律，从而晋级成为资深的机器学习工程师。

     2.4 模型训练

     模型构建完成了以后，我们要把训练的数据输入给模型，在keras中是通过fit来完成，

     我们要把训练数据‘喂’给我们的模型，让它从训练数据里面学到规律。

 

model.fit(x_train, y_train, batch_size = 32, epochs = 10, validation_data(x_val, y_val))

     2.5 评估模型  

     模型创建好了，也训练好了。怎么看咱们的这个模型效果好不好？

     那当然要去验证了。俗话说‘时间是检验真理的唯一标准’，我们要用另外一部分数据去验证模型。

     因为通常情况下我们的模型是要接受未知数据的检验，所以最开始的时候训练数据就要和测试数据区分开。

     在keras里面咱们用evaluate函数来测试模型的性能。

score = model.evaluate(x_test, y_test, batch_size = 32)

      通过得分我们能看到咱们做的模型到底行不行。通过不断调参数，让咱们的模型得分更高，这就是一个不断迭代优化的过程了。

 

3.怎么实现一个线性回归的深度学习模型？

     就像上面说的，咱们要做一个件量预测模型。x代表人数，y代表件量。咱们通过某种途径知道y和x存在这样一个线性回归关系，

     y=3x+2。这里我们可以通过对数据分析啥的知道y和x可能存在这种关系。现在我们要做一个模型，让模型学到weighs=3，bias=2，我们输入x，

     模型会反馈出一个y，这个y=weighs*x+bias.

     怎么做？

[Python] 纯文本查看 复制代码

?

01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

[/size][/font] [font=Consolas, &quot][size=12px]import keras from keras.models import Sequential from keras.layers import Dense import numpy as np    # step1 准备输入数据 # trX代表从-1到1，一共有101个点。这里可以理解为我们有很多这样的数据，有个城市A有x个人，有y个件量。 # 这就是我们保存的历史数据。我们模型如何学到weighs和bias，都是基于这些历史数据，它们会发现内部存在的规律。 # trY代表和trX存在线性回归关系的件量数据。因为我们知道件量和人数存在这种关系，所以我们知道一个人数x，对应于一个这样的件量y # np.random.randn(*trX.shape)这个代表啥？噪音！因为在真实情况下，很少有y和x存在这么赤裸裸的关系，一般会有点点偏差。 # 比如我们历史数据中x=100，y可能不等于302，可能是303，或者301，会有一定的浮动。整体趋势是y=3x+2这样的一根直线，但是会存在轻微浮动。 trX = np.linspace(-1, 1, 101) trY = 3 * trX + np.random.randn(*trX.shape) * 0.33+2   [/size][/font] [font=Consolas, &quot][size=12px]#step2 用keras建了一个房子，构建了一个模型 model = Sequential()[/size][/font] [font=Consolas, &quot][size=12px] #step3 用keras添加了家具，咱们就用了一层网络全连接网络dense model.add(Dense(input_dim=1, output_dim=1, init='uniform', activation='linear'))[/size][/font] [font=Consolas, &quot][size=12px] #step4 看看模型没有训练前能得到啥weighs和bias weights = model.layers[0].get_weights() w_init = weights[0][0][0] b_init = weights[1][0] print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init)) ## Linear regression model is initialized with weight w: -0.03, b: 0.00 ## 可以看到这里没有喂入训练数据之前，它的weighs和bias是一个随便的初始化的值 ## 咱们希望模型能学到weighs=3，bias=2[/size][/font] [font=Consolas, &quot][size=12px] #step5 训练咱们的模型，给模型‘喂’入咱们的训练数据 model.compile(optimizer='sgd', loss='mse') model.fit(trX, trY, nb_epoch=200, verbose=1)[/size][/font] [font=Consolas, &quot][size=12px] #step6 模型训练完以后，咱们看看模型能不能学到weighs=3，bias=2. weights = model.layers[0].get_weights() w_final = weights[0][0][0] b_final = weights[1][0] print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))        ##Linear regression model is trained to have weight w: 2.94, b: 2.08 ## 可以看到这里模型学到了weighs=2.94,bias=2.08。已经非常接近咱们的标准值3和2了。 ## 各位老铁请注意，可能每次跑出来的模型学到的weighs和bias是不一样的，会有浮动，这是正常的。[/size][/font]   [font=Consolas, &quot][size=12px]#####################################################################################################################################################[/size][/font] [font=Consolas, &quot][size=12px]# 咱们可以看看模型学到的weighs和bias和通过数据分析得到的weighs和bias是否一致，然后就是模型优化的过程[/size][/font] [font=Consolas, &quot][size=12px]#####################################################################################################################################################[/size][/font]   [font=Consolas, &quot][size=12px]#step7 保存咱们的模型。为啥要保存？因为模型是不断优化的过程，我们获取了更多的数据之后，可以用新的数据再去训练模型[/size][/font] [font=Consolas, &quot][size=12px]#      让模型学到更多东西[/size][/font] [font=Consolas, Bitstream Vera Sans Mono, Courier New, Courier, monospace][size=12px]model.save_weights("my_model.h5")[/size][/font] [font=Consolas, Bitstream Vera Sans Mono, Courier New, Courier, monospace][size=12px] [/size][/font] [font=Consolas, Bitstream Vera Sans Mono, Courier New, Courier, monospace][size=12px]#step8 把原来保存的模型再调出来，继续训练。[/size][/font] [font=Consolas, Bitstream Vera Sans Mono, Courier New, Courier, monospace][size=12px]model.load_weights('my_model_weights.h5')[/size][/font] [font=Consolas, &quot][size=12px]

 

结尾：这个例子我们模拟了一个线性回归，这个线性回归可能用于件量预测场景。哈哈，虽然简单，但是确是入门的一个好例子。

最后分享一个顺丰内推：

亲爱的小伙伴们，顺丰科技内推内推，大数据算法与策略部，部门内大部分是国外名校硕博，国内211，985，招java开发，python开发，数据分析，大数据开发，机器学习等。基本要求，统招本科两年经验。技术特别牛的忽略。地点深圳。请先加入顺丰内推群扣扣858317035。简历直接发我扣扣邮箱，谢谢。

老铁们，快快加入

我还会不定期分享自己的学习视频和教程，大家一起努力。先定个小目标，30k