はじめに：
1.
Jupyter：私は、Pythonのコンパイラを使用していました。
説明：
Jupyter Ipythonノートブックは、アップグレードされたバージョンであるブラウザの運営に直接書き込むことで、Webアプリケーションです。特に軽量、エレガントなインターフェイス、非常に便利。
次のようにインタフェースがある：
インストールおよび使用：
PIPインストールjupyter
開放端（オープンの調製に直接ブラウザ）：
jupyterノート
ショートカット：
SHIFT + TABを+タブ2つの方法が記載さビューシフトにカーソル位置パラメータバッターを移動する
例は次の通りであります：
具体的に参照してください。
https://jupyter.org/
https://www.jianshu.com/p/f3c3dd636b8a
2.
私は、単に個人的な研究ノート以下、kerasを学ぶために非常に詳細にコードのコメントを開始しました。より多くのビデオを見ることができます知りたい： https://www.bilibili.com/video/av40787141?from=search&seid=14045366417315862159
線形回帰：
import keras
import numpy as np
#绘图包
import matplotlib.pyplot as plt
#Sequential按顺序构成的模型
from keras.models import Sequential
#Dense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)
#生成与随机点相同形状的干扰点
noise=np.random.normal(0,0.01,x_data.shape)
#一次函数y=kx+b. noise:干扰使之离散偏移
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 输入维度和输出维度都为1
model.add(Dense(units=1,input_dim=1))
#设置学习过程
#sgd:随机梯度下降法
#mse:均方误差
#optimizer:优化器 学习率为：0.01
#loss:计算损失
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 训练模型
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)
#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)
#显示预测的结果 用一条宽度为3，颜色为红色的线显示预测值
plt.plot(x_data,y_pred,'r-',lw=3)
plt.show()
第二に、非線形回帰：
import keras
import numpy as np
#绘图包
import matplotlib.pyplot as plt
#Sequential按顺序构成的模型
from keras.models import Sequential
#Dense全连接层
from keras.layers import Dense,Activation
#导入新的SDG优化器
from keras.optimizers import SGD
#使用numpy生成-0.5~0.5区间内100个随机点
x_data=np.linspace(-0.5,0.5,200)
#从正态(高斯)分布中随机抽取样本生成与随机点相同形状的干扰点
noise=np.random.normal(0,0.02,x_data.shape)
#二次函数:y=x~ noise:干扰使之离散偏移
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()
#在模型中添加一个全连接层
#1-10-1 添加一个隐藏层（10个神经元）
model.add(Dense(units=10,input_dim=1))
#model.add(Dense(units=1,input_dim=10))
model.add(Dense(units=1))
#设置学习过程
#sgd:随机梯度下降法
#mse:均方误差
#optimizer:优化器 学习率为：0.01
#loss:计算损失
#model.compile(optimizer='sgd',loss='mse')
#定义优化算法 之前SGD默认的学习率为：0.01 对于这个迭代次数大概要几万次，而现在只有3000次，所以要加大学习率
sgd=SGD(lr=0.3)
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 训练模型
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)
#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)
#显示预测的结果 用一条宽度为3，颜色为红色的线显示预测值
plt.plot(x_data,y_pred,'r-',lw=3)
plt.show()
#上默认没有激活函数（ activation=None,），那只是线性的 所以要添加激活函数
#构建一个顺序模型
model=Sequential()
#在模型中添加一个全连接层
#1-10-1 添加一个隐藏层（10个神经元）
model.add(Dense(units=10,input_dim=1))
#添加激活函数tanh tanh在大多数情况下比sigomid函数好用
model.add(Activation('tanh'))
#model.add(Dense(units=1,input_dim=10))
model.add(Dense(units=1))
model.add(Activation('tanh'))
#设置学习过程
#sgd:随机梯度下降法
#mse:均方误差
#optimizer:优化器 学习率为：0.01
#loss:计算损失
#model.compile(optimizer='sgd',loss='mse')
#定义优化算法 之前SGD默认的学习率为：0.01 对于这个迭代次数大概要几万次，而现在只有3000次，所以要加大学习率
sgd=SGD(lr=0.3)
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 训练模型
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)
#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)
#显示预测的结果 用一条宽度为3，颜色为红色的线显示预测值
plt.plot(x_data,y_pred,'r-',lw=3)
plt.show()
