keras线性回归实现

最新推荐文章于 2022-03-06 20:06:51 发布

原创最新推荐文章于 2022-03-06 20:06:51 发布 · 277 阅读

0 ·

CC 4.0 BY-SA版权

AI学习专栏收录该内容

23 篇文章

订阅专栏

model.fit训练不显示结果使用 verbose=0实现

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

x=np.linspace(0,100,30)
np.random.shuffle(x)
y=x*3+7+np.random.randn(30)*5
fig=plt.figure()
ax=plt.subplot(1,1,1)

ax.scatter(x,y,c="b")
model=keras.Sequential()#添加一个顺序模型
model.add(keras.layers.Dense(1,input_dim=1,activation="relu"))#增加一层输出，输入都是1
#激活函数是“relu”
model.summary()#查看神经网络的结构
model.compile(optimizer="adam",loss="mse")#编译神经网络，指定优化器为“adam”，损失函数#是“均分误差”
#cost=model.fit(x,y,epochs=3000,verbose=0)#可以使用model.fit来训练，epochs指定训练的次数，verbose=0 设置不显示训练结果，batch_size 设置batch的大小
plt.ion()#plot不会停住，会一直绘图
plt.show()#显示图像

for i in range(3000):
    cost=model.train_on_batch(x,y)#这里使用train_on_batch来训练
    if i%100==0:
        try:
            ax.lines.pop(-1)#删掉当前的线条
        except Exception:
            pass
        print("loss:",cost)
        py=model.predict(x)
        ax.plot(x,py,c="r")#绘制线条
        plt.pause(0.1)#暂停0.1s