keras线性回归，实例

最新推荐文章于 2023-06-08 23:42:18 发布

iamcfb_

最新推荐文章于 2023-06-08 23:42:18 发布

阅读量788

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/iamcfb_/article/details/87456996

这篇博客展示了如何利用TensorFlow后端的Keras进行线性回归的实践。在训练过程中，可以看到损失（cost）从1.2237755逐渐下降到0.00012540948，最终得到了权重（W）和偏置（b）的值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import keras
import numpy as np
import matplotlib.pyplot as plt
#Sequential 按顺序构成的模型
from keras.models import Sequential#Sequential是模型结构，输入层，隐藏层，输出层
#Dense 全连接层
from keras.layers import Dense

#使用numpy生成100个随机点
x_data=np.random.rand(100)
noise=np.random.normal(0,0.01,x_data.shape)#生成和x_data形状一样的噪声
y_data=x_data*0.1+0.2+noise

#显示随机点
#plt.scatter(x_data,y_data)
#plt.show()

#构建一个顺序模型
model=Sequential()
#在模型中添加一个全连接层
model.add(Dense(units=1,input_dim=1))#units是输出维度，输出y，input_dim是输入维度，输入x
model.compile(optimizer='sgd',loss='mse')#编译这个模型，sgd是随机梯度下降法，优化器.mse是均方误差

#训练模型
for step in range(3001):
    #每次训练一个批次
    cost=model.train_on_batch(x_data,y_data)#代价函数的值，其实就是loss
    #每500个batch打印一次cost值
    if step %500==0:
        print('cost:',cost)

#打印权值和偏置值
W,b=model.layers[0].get_weights()#线性回归，只有一层
print('W:',W,'b:',b)

#x_data输入网络中，得到预测值y_pred
y_pred=model.predict(x_data)

#显示随机点s
plt.scatter(x_data,y_data)
#显示预测结果
plt.plot(x_data,y_pred,'r-',lw=3)#r-表示红色的线，lw表示线宽
plt.show()

结果：
Using TensorFlow backend.
2019-02-16 16:43:05.823017: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
cost: 1.2237755
cost: 0.031610813
cost: 0.007897568
cost: 0.002027363
cost: 0.00057419395
cost: 0.00021446131
cost: 0.00012540948
W: [[0.08398207]] b: [0.20809509]