深度学习框架keras使用—（1）线性回归

代码段：

import keras
import numpy as np
import matplotlib.pyplot as plt
#按顺序构成的模型
from keras.models import Sequential
#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)

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))
#sgd:随机梯度下降法
#mse:均方误差
model.compile(optimizer='sgd', loss='mse')

#训练3001个批次
for step in range(3001):
    #每次训练一个批次
    cost = model.train_on_batch(x_data, y_data)
    
    #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()
print('W: ', W, 'b: ', b)
    
#把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
plt.scatter(x_data, y_data)
#显示预测结果
plt.plot(x_data, y_pred, 'r-', lw=3)
plt.show()

结果：

cost:  0.05632266
cost:  0.008425701
cost:  0.0023607304
cost:  0.0007167198
cost:  0.00027108242
cost:  0.00015028476
cost:  0.00011754086
W:  [[0.10844277]] b:  [0.19684236]