前期分享了使用tensorflow来进行神经网络的回归，tensorflow构建神经网络

本期我们来使用Keras来搭建一个简单的神经网络

Keras神经网络可以用来模拟回归问题 (regression)，例如给下面一组数据，用一条线来对数据进行拟合，并可以预测新输入 x 的输出值，也就是线性回归问题（Y=w*X+b）

import numpy as np

np.random.seed(1337) models.Sequential，用来一层一层的建立神经层

from keras.layers import Dense 可视化模块

数据随机化

Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (300, ))

train 前 260 data points

X_test, Y_test = X[260:], Y[260:] 39;mse&39;sgd& 参数中，误差函数用的是 mse 均方误差；优化器用的是 sgd 随机梯度下降法

以上3行代码便是keras神经网络的搭建过程（比tensorflow减少了很多），构建完成神经网络后，开始训练

for step in range(401):

cost = model.train_on_batch(X_train, Y_train)

if step % 100 == 0:

print(&39;, cost)

&39;&39;&39;

训练400步，每100步打印一下训练的结果，使用model.train_on_batch 一批一批的训练 X_train, Y_train

使用 model.evaluate，输入测试集的x和y， 输出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一层 model.layers[0] 学习到的参数

从训练的结果看出, weights 比较接近0.5，bias 接近 2，符合我们输入的模型

cost = model.evaluate(X_test, Y_test, batch_size=40)

print(&39;, cost)

W, b = model.layers[0].get_weights()

print(&39;, W, &39;, b)

40/40 [==============================] - 0s 450us/step

test cost: 0.003141355235129595

Weights= [[0.51579475]]

biases= [1.9971616]

验证完成后，我们可以可视化模型，看看神经网络预测的数据与实际数据的差异

Y_pred = model.predict(X_test)

plt.scatter(X_test, Y_test)

plt.plot(X_test, Y_pred)

plt.show()

以上便是keras构建回归神经网络的步骤，我们下期分享一下如何使用keras构建分类模型的神经网络

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除