Keras框架作线性回归和非线性回归

线性回归

import kerasimport numpy as npimport matplotlib.pyplot as plt#按顺序构成的模型from keras.models import Sequential#Dense全连接层from keras.layers import Dense  #构建一个顺序模型model=Sequential()#在模型中添加一个全连接层#units是输出维度,input_dim是输入维度(shift+两次tab查看函数参数)model.add(Dense(units=1,input_dim=1))   #编译模型model.compile(optimizer='sgd',loss='mse')   #optimizer参数设置优化器,loss设置目标函数#训练模型for step in range(3001):    #每次训练一个批次    cost=model.train_on_batch(x_data,y_data)    #每500个batch打印一个cost值    if step%500==0:        print('cost:',cost)#打印权值和偏置值W,b=model.layers[0].get_weights()   #layers[0]只有一个网络层print('W:',W,'b:',b)#x_data输入网络中，得到预测值y_predy_pred=model.predict(x_data)plt.scatter(x_data,y_data)plt.plot(x_data,y_pred,'r-',lw=3)plt.show()

非线性回归(非线性激活函数)

#加激活函数的方法1：mode.add(Activation(''))from keras.optimizers import SGDfrom keras.layers import Dense,Activationimport numpy as npnp.random.seed(0)x_data=np.linspace(-0.5,0.5,200)noise=np.random.normal(0,0.02,x_data.shape)y_data=np.square(x_data)+noise#构建一个顺序模型model=Sequential()#在模型中添加一个全连接层#units是输出维度,input_dim是输入维度(shift+两次tab查看函数参数)#输入1个神经元,隐藏层10个神经元,输出层1个神经元model.add(Dense(units=10,input_dim=1))model.add(Activation('tanh'))   #增加非线性激活函数model.add(Dense(units=1))   #默认连接上一层input_dim=10model.add(Activation('tanh'))#定义优化算法(修改学习率)defsgd=SGD(lr=0.3)#编译模型model.compile(optimizer=defsgd,loss='mse')   #optimizer参数设置优化器,loss设置目标函数#训练模型for step in range(3001):    #每次训练一个批次    cost=model.train_on_batch(x_data,y_data)    #每500个batch打印一个cost值    if step%500==0:        print('cost:',cost)#打印权值和偏置值W,b=model.layers[0].get_weights()   #layers[0]只有一个网络层print('W:',W,'b:',b)#x_data输入网络中，得到预测值y_predy_pred=model.predict(x_data)plt.scatter(x_data,y_data)plt.plot(x_data,y_pred,'r-',lw=3)plt.show()

#加激活函数的方法2：model.add(Dense(units=10,input_dim=1,activation=' '))from keras.optimizers import SGDfrom keras.layers import Dense,Activation#构建一个顺序模型model=Sequential()#在模型中添加一个全连接层#units是输出维度,input_dim是输入维度(shift+两次tab查看函数参数)#输入1个神经元,隐藏层10个神经元,输出层1个神经元model.add(Dense(units=10,input_dim=1,activation='relu'))   #增加非线性激活函数model.add(Dense(units=1,activation='relu'))   #默认连接上一层input_dim=10#定义优化算法(修改学习率)defsgd=SGD(lr=0.3)#编译模型model.compile(optimizer=defsgd,loss='mse')   #optimizer参数设置优化器,loss设置目标函数#训练模型for step in range(3001):    #每次训练一个批次    cost=model.train_on_batch(x_data,y_data)    #每500个batch打印一个cost值    if step%500==0:        print('cost:',cost)#打印权值和偏置值W,b=model.layers[0].get_weights()   #layers[0]只有一个网络层print('W:',W,'b:',b)#x_data输入网络中，得到预测值y_predy_pred=model.predict(x_data)plt.scatter(x_data,y_data)plt.plot(x_data,y_pred,'r-',lw=3)plt.show()