莫凡keras学习笔记一回归

2023-12-11 20:10

本文主要是介绍莫凡keras学习笔记一回归,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 生成数据集
  • 搭建神经网络进行训练
  • 画图观察最后结果

前言

特别喜欢莫凡老师,总是在特别短的时间带你入门一门技术。对于我这种希望在短期内入门的孩子来说真是太好了。这里打算记录一波莫凡老师的keras教程的笔记。留作以后回忆。keras是一种封装了底层的神经网络包。让你只需要一行命令就能够添加各种神经网络层如CNN,RNN,LSTM。在这篇笔记中,记录了一个简单的回归模型,先根据一条直线生成200个数据点,然后用一个全连接层来进行训练,将均方误差作为损失函数,最后利用随机梯度下降来对网络进行更新。

生成数据集

根据直线y = 5x + 2这条直线加上一些噪音生成数据集合,并且进行切分

from keras import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(1)
#为了保证每次试验的结果是一样的,设定随机种子
X = np.linspace(-1, 1, 200)
#生成从-1到1(包括-1和1)均匀分布的200个数
np.random.shuffle(X)
#将其打乱,为了便于之后按照索引划分数据为训练集和测试集,
#防止测试集和训练集是按照大小次序划分的,导致误差
Y = 5 * X + 2 + np.random.normal(0, 0.05, (200, ))
#根据y = 5x + 2这条直线生成加上一些噪音生成Y,
plt.scatter(X, Y)
plt.show()
#绘制散点图
X_train, Y_train = X[:160], Y[:160]
X_test, Y_test = X[160:], Y[160:]
#将数据集合根据索引划分为训练集(前160个点)和测试集(后40个点)
图1 生成的200个数据点

搭建神经网络进行训练

建立一个神经元组成的神经网络,输入维度为1,输出维度为1,损失函数为均方误差,而优化器为随机梯度下降算法。

model = Sequential()
#建立一个神经网络
model.add(Dense(output_dim=1, input_dim=1))
#搭建一个输入和输出维度均为1的全连接层
model.compile(loss='mse', optimizer='sgd')
#设置损失函数为均方误差,优化器为随机梯度下降
print("Training------------")
for step in range(500):cost = model.train_on_batch(X_train, Y_train)if step % 100 == 0:print('cost', cost)
#训练500次,每100次打印一下损失#test
print("\nTesting--------------")
cost = model.evaluate(X_test, Y_test, batch_size=40)
print("test cost", cost)
#获得在测试集上的损失并且打印
W, b = model.layers[0].get_weights()
print('Weights=', W, "\nbiases=", b)
#获得节点的权重和偏差并且打印

最后的输出结果为

Training------------
cost 8.008512
cost 1.0976088
cost 0.26435542
cost 0.06862777
cost 0.019116014
Testing--------------
40/40 [==============================] - 0s 1ms/step
test cost 0.004155935253947973
Weights= [[4.89472]] 
biases= [2.002386]

画图观察最后结果

利用模型进行预测,画图观察预测值与实际值的差距

Y_pred = model.predict(X_test)
#利用训练好的模型进行预测
plt.scatter(X_test, Y_test, c='black')
#画出实际数据点的散点图
plt.plot(X_test, Y_pred, c='r')
#画出预测点的直线
plt.show()
图2 模型预测效果

这篇关于莫凡keras学习笔记一回归的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/481963

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识