図1に示すように、環境を準備するために、探査データ
インポートnumpyのAS NP から keras.modelsはインポートシーケンシャル から keras.layers インポート高密度 インポートASのPLTのmatplotlib.pyplot ＃は、データセット作成 RNG = np.random.RandomState（27 ） X- = np.linspace（-3 ,. 5、300 ） RNGを（X-）.shuffle ＃セット無作為 。Y = 0.5 * X- + + np.random.normal 1（0、0.05、300） ＃は実際のモデルがあると仮定する：Y = 0.5X + 1 ＃描画データセット plt.scatter （X、Y、S = 0.5 ） plt.show（）
2、データ準備トレーニングモデル
＃セットトレーニングセットとテストを分割 X-y_train =、X_trainを[400]、Y [400 ] X_test、android.permission.FACTOR。 = X - [ - 100：]、Y [-100 ：] ＃の定義モデル モデルシーケンシャル（）= 位Kerasとシーケンシャルモデル（シーケンシャルに）定義のモデルに基づいて、単一入力単一出力を model.add（高密度は（output_dim = 1、input_dim = 1）） ＃add（）メソッドの一つ、高密度完全接続層は、第一の層を定義します入力 ＃セットモデルパラメータは、 （損失= model.compile 「MSE 」、オプティマイザ= 「SGD 」） ＃損失関数（コンパイルすることによって選択するように（）メソッドを平均二乗誤差）とオプティマイザ（確率的勾配降下法） ＃は、訓練開始した 印刷（"トレーニング========== ' ） のための工程における範囲（301 ：） コスト = model.train_on_batch（X_train、y_train） ＃Keras的train_on_batch（）函数训练模型 であれば、ステップ100％== 0： プリント（「電車費用：」、コスト）
3、訓練されたモデルをテスト
印刷（' \ nTesting ========== ' ） コスト = model.evaluate（X_test、android.permission.FACTOR、BATCH_SIZE = 40。 ） プリント（' テストコスト：' 、コスト） Wであり、B = model.layers [0 ] .get_weights（） ＃は、訓練されたネットワークパラメータが表示
印刷（「重み= 」、Wが、である「\ = nbiases 」、B） ＃を、ネットワークが一層のみを有しているので、入力と出力トレーニングのそれぞれ一つだけのノード最初に1訓練されたY = WX + Bモデル、前記W、訓練されたパラメータとしてB
最終テストのコストは、次のとおりです。0.0026768923737108706
4、視覚検査結果
y_pred = model.predict(X_test) # 用测试集进行预测 plt.scatter(X_test, y_test, s=4) # 绘制测试点图 plt.plot(X_test, y_pred, lw=0.7) # 绘制回归直线 plt.show()
。。。