使用keras做线性回归训练记录

我们建立一个如下的模型：

数学表达师式是

在这里，我们给定

并且给定一组按照此规律分布的数据，用这组数据进行训练，看出来的网络能否作出准确预测。

数据输入: [[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]]

数据输出：[15.0,9.0,29.0,16.2]

那么当数据是两组的[4.0,11.0],[5.9,6.7]时候，输出是什么呢？

训练模型：

from tensorflow import keras
import numpy as np
model=keras.Sequential([keras.layers.Dense(units=1, input_shape=[None, 2])])
model.compile(optimizer="sgd",loss="mean_squared_error")
xs=np.array([[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]],dtype=float)
ys=np.array([15.0,9.0,29.0,16.2],dtype=float)
 
model.fit(xs,ys, epochs=3000)
model.summary()

训练过程以及网络参数：

 可以看到，最后的输出模型LOSS值已经非常非常小了。

预测模式

我们用这个模型预测 [[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]]的输出

pd=np.array([[4.0,11.0],[5.9,6.7]], dtype=float)
print(pd.shape)
model.predict(pd)

可以看到输出如下：

 我们套用上面的公式，实际计算一下准确值

可以看到，预测出来的值还是非常非常接近的。

这种方式到底有什么不同呢？

通常我们解决问题，希望由我们自己去找出规律，然后在由规律去解决问题，但是CNN却相反，我们不需要自己去找出规律，而是由模型自己去训练，得到规律，我们只要结果，一下子把我们从问题中解放了出来。如下图所示：

---

跑上述模型的环境版本是：

调试方式：

查看层的名称：

print(model.layers[2].name)

获取weights 和 bias

weights, biases = model.layers[0].get_weights()

 如上图所是，训练得到的bias和weights和初始设定的2.0,3.0,1.0非常接近。

 查看参数形状

训练的时候加入验证集

---

结束！