keras非线性回归，实例，两种加激活函数的方式

最新推荐文章于 2024-02-01 17:57:53 发布

iamcfb_

最新推荐文章于 2024-02-01 17:57:53 发布

阅读量4k

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/iamcfb_/article/details/87461442

这篇博客展示了使用Keras进行非线性回归的实例，通过训练数据，观察了加入不同激活函数后模型的损失（cost）变化，最终得到了优化后的权重（W）和偏置（b）参数。

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,Activation激活函数
from keras.layers import Dense,Activation
from keras.optimizers import SGD

x_data=np.linspace(-0.5,0.5,200)#从-0.5到0.5范围内生成200个随机点
noise=np.random.normal(0,0.02,x_data.shape)#生成和x_data形状一样的噪声
y_data=np.square(x_data)+noise

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

#构建一个顺序模型
model=Sequential()

#1-10-1，添加一个隐藏层
model.add(Dense(units=10,input_dim=1,activation='relu'))#units是隐藏层，输出维度，输出y，input_dim是输入维度，输入x
#model.add(Activation('tanh'))#给这一层添加一个双曲正切激活函数tanh函数
model.add(Dense(units=1,input_dim=10,activation='relu'))#input_dim可以不写，它可以识别到上一句的输出是10维
#model.add(Activation('tanh'))#给这一层添加一个双曲正切激活函数tanh函数
#定义优化器
sgd=SGD(lr=0.3)#学习率提高到0.3，训练速度会加快

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(5001):
    #每次训练一个批次
    cost=model.