Keras_morvan(一)：回归

最新推荐文章于 2023-04-21 11:41:10 发布

weixin_41376658

最新推荐文章于 2023-04-21 11:41:10 发布

阅读量676

点赞数 1

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/weixin_41376658/article/details/79450123

版权

深度学习专栏收录该内容

16 篇文章

订阅专栏

这篇博客介绍了如何使用Keras搭建回归模型，包括数据生成、模型定义、激活、训练及评估。博主通过Keras的Sequential API创建了一个全连接神经网络，并以MNIST数据集为例，运用mse作为损失函数，sgd作为优化器进行模型训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Keras搭建各种神经网络

Regression
Classifier
CNN
RNN_classifier
RNN_LSTM_Regression

1.regression
这篇博文的数据不是，自己随意生成的就是用库自带的MNISIT。
回归是自己生成的数据进行训练的。
数据生成的代码：

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt # 可视化模块

# create some data
X = np.linspace(-1, 1, 200)
np.random.shuffle(X)    # randomize the data
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))
# plot data
plt.scatter(X, Y)
plt.show()

X_train, Y_train = X[:160], Y[:160]     # train 前 160 data points
X_test, Y_test = X[160:], Y[160:]       # test 后 40 data points

a.用 Sequential() 建立 model，再用 model.add 添加神经层，添加的是 Dense 全连接神经层。
参数有两个，一个是输入数据和输出数据的维度，本代码的例子中 x 和 y 是一维的。
b.激活神经网络，model.compile上一步只是定义模型。(代码参数中，误差函数用的是 mse 均方误差；优化器用的是 sgd 随机梯度下降法。)
c.训练, 用 model.train_on_batch 一批一批的训练 X_train, Y_train。默认的返回值是 cost,
d.评估模型。model.evaluate，输入测试集的x和y，输出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一层 model.layers[0] 学习到的参数。
剩余代码如下：

#build a neural network from the 1st layer to the last layer
model = Sequential()
model.add(Dense(output_dim = 1, input_dim= 1))

#choose loss function and optimizing method
model.compile(loss='mse', optimizer='sgd') #mse二次方误差， sgd乱序批量

#training
print('Training -----------')
for step in range(301):
    cost = model.train_on_batch(X_train, Y_train)
    if step % 100 == 0:
        print('train cost', cost)

#test
print('\nTest -----------')
cost = model.evaluate(X_test, Y_test, batch_size= 40)
W, b = model.layers[0].get_weights()
print('test cost', cost)

#plotting the prediction
Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()

是看着莫凡的视频学习的