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
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: