0 前言
要求：
- 安装keras库
- 如有疑问，评论区留言
1 搭建模型
#这个demo，做一个简单的线性回归预测
# 步骤：
# 目标：是使得网络模型拟和一条 y=2*x+1 的函数图像，
# 1、首先在 y=2*x+1 附近生成一些点，其中的x作为输入数据，y作为输出数据
# 2、训练一个神经网络模型，包括100个神经元的全连接层和最终1个神经元的输出层。下面会提供网络模型图片
# 3、训练大概1万次左右，即更新一万次参数。最后随机给出几个x，预测是否符合 y=2*x+1 的标准
# 4、给改模型做一个keras的可视化分析
1.1、生成数据
import numpy as np
import keras
from keras import Sequential
import matplotlib.pyplot as plt
number = 100
x = np.linspace(-100,100,number)
y = 2*x+1+np.random.rand(number)*(number*0.3)
# print(y)
plt.scatter(x,y)
plt.xlabel("x number")
plt.ylabel("y real number")
plt.title("x & y scatter graph")
# plt.plot(x,y)
plt.show()
# print (x)
运行结果：生成在 y=2*x+1 上下震荡的数据。
1.2、训练模型
模型结构搭建：
from keras.layers import Dense
from keras.layers import Dropout
from keras import optimizers
model = Sequential()
model.add(Dense(100,kernel_initializer='uniform',activation="relu"))
model.add(Dropout(0.25))
model.add(Dense(1))
sgd = optimizers.SGD(lr=0.000001, decay=1e-6, momentum=0.9, nesterov=True)
# 学习率要设置小一点，否则直接nan
model.compile(loss='mse',optimizer=sgd)
# loss根据目标不同设置不同的损失函数，常用有交叉嫡，均方差
model.fit(x,y,batch_size=100,epochs=500,verbose=1)
# 一共更新参数500次
# fit 中的 verbose：
# verbose：日志显示
# verbose = 0 为不在标准输出流输出日志信息
# verbose = 1 为输出进度条记录
# verbose = 2 为每个epoch输出一行记录
运行结果（以下图截取部分）：
1.3、预测性能
x_test = x[50:100]
y_test = y[50:100]
y_pred = model.predict(x_test)
plt.scatter(x_test,y_test)
plt.plot(x_test,y_pred)
plt.show()
运行结果：散点表示真实数据，直线是我们预测数据
1.4、模型结构可视化
模型可视化很简单，直接调用keras库即可。
# keras网络结构可视化
from keras.utils import plot_model
plot_model(model,show_shapes='True')
运行结果：
print(model.summary())
运行结果：
2 源代码
本人在google colab环境下完成编码。以下代码也能在jupyter notebook上运行。个人推荐google colab，至于为什么，详见
Google colab使用之手把手教学
#这个demo，做一个简单的线性回归预测
# 步骤：
# 目标：是使得网络模型拟和一条 y=2*x+1 的函数图像，
# 1、首先在 y=2*x+1 附近生成一些点，其中的x作为输入数据，y作为输出数据
# 2、训练一个神经网络模型，包括100个神经元的全连接层和最终1个神经元的输出层。下面会提供网络模型图片
# 3、训练大概1万次左右，即更新一万次参数。最后随机给出几个x，预测是否符合 y=2*x+1 的标准
# 4、给改模型做一个keras的可视化分析
# 1、生成数据
import numpy as np
import keras
from keras import Sequential
import matplotlib.pyplot as plt
number = 100
x = np.linspace(-100,100,number)
y = 2*x+1+np.random.rand(number)*(number*0.3)
plt.scatter(x,y)
plt.xlabel("x number")
plt.ylabel("y real number")
plt.title("x & y scatter graph")
plt.show()
# 2、训练模型
from keras.layers import Dense
from keras.layers import Dropout
from keras import optimizers
model = Sequential()
model.add(Dense(100,kernel_initializer='uniform',activation="relu"))
model.add(Dropout(0.25))
model.add(Dense(1))
sgd = optimizers.SGD(lr=0.000001, decay=1e-6, momentum=0.9, nesterov=True)
# 学习率要设置小一点，否则直接nan
model.compile(loss='mse',optimizer=sgd)
# loss根据目标不同设置不同的损失函数，常用有交叉嫡，均方差
model.fit(x,y,batch_size=100,epochs=500,verbose=1)
# 一共更新参数500次
# fit 中的 verbose：
# verbose：日志显示
# verbose = 0 为不在标准输出流输出日志信息
# verbose = 1 为输出进度条记录
# verbose = 2 为每个epoch输出一行记录
# 3、预测性能
x_test = x[50:100]
y_test = y[50:100]
y_pred = model.predict(x_test)
plt.scatter(x_test,y_test)
plt.plot(x_test,y_pred)
plt.show()
# 4、模型可视化
from keras.utils import plot_model
plot_model(model,show_shapes='True')
print(model.summary())