标签：简单的 imp 差值 次方 线性 函数 class 结果 val
园子里头看到了一些最基础的 keras 入门指导， 用一层网络，可以训练一个简单的线性回归模型。
自己学习了一下，按照教程走下来，结果不尽如人意，下面是具体的过程。
第一步： 生成随机数据，绘出散点图
import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt # 生产随机数据 np.random.seed(123) # 指定种子，使得每次生成的随机数保持一致 x = np.linspace(-1,1,200) # 生成一个长度为 200 的 list，数值大小在 [-1,1] 之间 np.random.shuffle(x) #随机排列传入 list y = 0.5 * x + 2 + np.random.normal(0, 0.05, (200,)) # 添加正态分布的偏差值
#测试数据 与 训练数据
x_train, y_train = x[:160], y[:160]
x_test, y_test = x[160:], y[160:0]
#绘出散点图: plt.scatter(x,y) plt.show()
散点图如下：
二、创建网络模型
# 创建模型 model = Sequential() # 添加全连接层,输入维度 1， 输出维度 1 model.add(Dense(output_dim = 1, input_dim= 1))
三、模型编译
# 模型编译 # 损失函数：二次方的误差， 优化器：随机梯度随机梯度下降，stochastic gradient descent model.compile(loss=‘mse‘, optimizer=‘sgd‘)
四、模型训练
# 训练模型，就跑一次 print(‘start train model:‘) for step in range(300): cost = model.train_on_batch(x_train, y_train) if step % 50 == 0: print(‘cost:‘, cost)
五、测试模型
#看测试数据损失又多少 print(‘start test:‘) cost = model.evaluate(x_test, y_test, batch_size=40) print(‘the loss is:‘, cost) # 查看函数参数 w,b = model.layers[0].get_weights() print(‘weights =‘,w, ‘ biases = ‘, b) # 用模型预测测试值 y_pred = model.predict(x_test) # 画出测试散点图 plt.scatter(x_test, y_test) # 画出回归线 plt.plot(x_test, y_pred) plt.show()
输出结果：
此次训练所得模型：
从图中可以看出，模型没有很好的满足我们的需求，进行调整，看下结果：
减小batch_size, 增加训练次数。
batch_size: 单一批训练样本数量
epochs : 将全部样本训练都跑一遍为 1 个 epoch, 10 个 epochs 就是全部样本都训练 10 次
# 调整模型训练过程 model.fit(x_train, y_train, batch_size=5,epochs=60)
最终所得模型图为：
曲线为：
标签：简单的 imp 差值 次方 线性 函数 class 结果 val
原文地址：https://www.cnblogs.com/yaolin1228/p/9292193.html
