1.keras-构建基本简单网络实现线性回归

import keras
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
import tensorflow as tf

# 创建数据绘制散点图
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

plt.scatter(x_data,y_data)
plt.show()

# 构建顺序模型
model = Sequential()
# 在模型中添加一个全连接模型
model.add(Dense(units=1,input_dim=1)) #units=1,input_dim=1输入和输出都是一维的
model.compile(optimizer=‘sgd‘,
              loss= ‘mse‘)
for step in range(3000):
    # 每次训练一个batch
    cost = model.train_on_batch(x_data,y_data)
    if step % 500 ==0:
        print(‘step:‘,step)
        print(‘cost‘,cost)
# 打印权值和偏移项
W,b = model.layers[0].get_weights()
print(‘W:‘,W,‘b‘,b)

# 进行预测值
y_pred = model.predict(x_data)

# 显示随机点
plt.scatter(x_data,y_data)
plt.plot(x_data,y_pred,‘r-‘,lw=3)
plt.show()