0 前言
要求：
- 安裝keras庫
- 如有疑問，評論區(qū)留言
1 搭建模型
#這個(gè)demo，做一個(gè)簡單的線性回歸預(yù)測
# 步驟：
# 目標(biāo)：是使得網(wǎng)絡(luò)模型擬和一條 y=2*x+1 的函數(shù)圖像，
# 1、首先在 y=2*x+1 附近生成一些點(diǎn)，其中的x作為輸入數(shù)據(jù)，y作為輸出數(shù)據(jù)
# 2、訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)模型，包括100個(gè)神經(jīng)元的全連接層和最終1個(gè)神經(jīng)元的輸出層。下面會提供網(wǎng)絡(luò)模型圖片
# 3、訓(xùn)練大概1萬次左右，即更新一萬次參數(shù)。最后隨機(jī)給出幾個(gè)x，預(yù)測是否符合 y=2*x+1 的標(biāo)準(zhǔn)
# 4、給改模型做一個(gè)keras的可視化分析
在這里插入圖片描述
1.1、生成數(shù)據(jù)
import numpy as np
import keras
from keras import Sequential
import matplotlib.pyplot as plt
number = 100
x = np.linspace(-100,100,number)
y = 2*x+1+np.random.rand(number)*(number*0.3)
# print(y)
plt.scatter(x,y)
plt.xlabel("x number")
plt.ylabel("y real number")
plt.title("x & y scatter graph")
# plt.plot(x,y)
plt.show()
# print (x)
運(yùn)行結(jié)果：生成在 y=2*x+1 上下震蕩的數(shù)據(jù)。
在這里插入圖片描述
1.2、訓(xùn)練模型
模型結(jié)構(gòu)搭建：
from keras.layers import Dense
from keras.layers import Dropout
from keras import optimizers
model = Sequential()
model.add(Dense(100,kernel_initializer='uniform',activation="relu"))
model.add(Dropout(0.25))
model.add(Dense(1))
sgd = optimizers.SGD(lr=0.000001, decay=1e-6, momentum=0.9, nesterov=True)
# 學(xué)習(xí)率要設(shè)置小一點(diǎn)，否則直接nan
model.compile(loss='mse',optimizer=sgd)
# loss根據(jù)目標(biāo)不同設(shè)置不同的損失函數(shù)，常用有交叉嫡，均方差
model.fit(x,y,batch_size=100,epochs=500,verbose=1)
# 一共更新參數(shù)500次
# fit 中的 verbose：
# verbose：日志顯示
# verbose = 0 為不在標(biāo)準(zhǔn)輸出流輸出日志信息
# verbose = 1 為輸出進(jìn)度條記錄
# verbose = 2 為每個(gè)epoch輸出一行記錄
運(yùn)行結(jié)果（以下圖截取部分）：
在這里插入圖片描述
1.3、預(yù)測性能
x_test = x[50:100]
y_test = y[50:100]
y_pred = model.predict(x_test)
plt.scatter(x_test,y_test)
plt.plot(x_test,y_pred)
plt.show()
運(yùn)行結(jié)果：散點(diǎn)表示真實(shí)數(shù)據(jù)，直線是我們預(yù)測數(shù)據(jù)
在這里插入圖片描述
1.4、模型結(jié)構(gòu)可視化
模型可視化很簡單，直接調(diào)用keras庫即可。
# keras網(wǎng)絡(luò)結(jié)構(gòu)可視化
from keras.utils import plot_model
plot_model(model,show_shapes='True')
運(yùn)行結(jié)果：
在這里插入圖片描述
print(model.summary())
運(yùn)行結(jié)果：
在這里插入圖片描述
2 源代碼
本人在google colab環(huán)境下完成編碼。以下代碼也能在jupyter notebook上運(yùn)行。個(gè)人推薦google colab，至于為什么，詳見
Google colab使用之手把手教學(xué)
#這個(gè)demo，做一個(gè)簡單的線性回歸預(yù)測
# 步驟：
# 目標(biāo)：是使得網(wǎng)絡(luò)模型擬和一條 y=2*x+1 的函數(shù)圖像，
# 1、首先在 y=2*x+1 附近生成一些點(diǎn)，其中的x作為輸入數(shù)據(jù)，y作為輸出數(shù)據(jù)
# 2、訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)模型，包括100個(gè)神經(jīng)元的全連接層和最終1個(gè)神經(jīng)元的輸出層。下面會提供網(wǎng)絡(luò)模型圖片
# 3、訓(xùn)練大概1萬次左右，即更新一萬次參數(shù)。最后隨機(jī)給出幾個(gè)x，預(yù)測是否符合 y=2*x+1 的標(biāo)準(zhǔn)
# 4、給改模型做一個(gè)keras的可視化分析
# 1、生成數(shù)據(jù)
import numpy as np
import keras
from keras import Sequential
import matplotlib.pyplot as plt
number = 100
x = np.linspace(-100,100,number)
y = 2*x+1+np.random.rand(number)*(number*0.3)
plt.scatter(x,y)
plt.xlabel("x number")
plt.ylabel("y real number")
plt.title("x & y scatter graph")
plt.show()
# 2、訓(xùn)練模型
from keras.layers import Dense
from keras.layers import Dropout
from keras import optimizers
model = Sequential()
model.add(Dense(100,kernel_initializer='uniform',activation="relu"))
model.add(Dropout(0.25))
model.add(Dense(1))
sgd = optimizers.SGD(lr=0.000001, decay=1e-6, momentum=0.9, nesterov=True)
# 學(xué)習(xí)率要設(shè)置小一點(diǎn)，否則直接nan
model.compile(loss='mse',optimizer=sgd)
# loss根據(jù)目標(biāo)不同設(shè)置不同的損失函數(shù)，常用有交叉嫡，均方差
model.fit(x,y,batch_size=100,epochs=500,verbose=1)
# 一共更新參數(shù)500次
# fit 中的 verbose：
# verbose：日志顯示
# verbose = 0 為不在標(biāo)準(zhǔn)輸出流輸出日志信息
# verbose = 1 為輸出進(jìn)度條記錄
# verbose = 2 為每個(gè)epoch輸出一行記錄
# 3、預(yù)測性能
x_test = x[50:100]
y_test = y[50:100]
y_pred = model.predict(x_test)
plt.scatter(x_test,y_test)
plt.plot(x_test,y_pred)
plt.show()
# 4、模型可視化
from keras.utils import plot_model
plot_model(model,show_shapes='True')
print(model.summary())
