神經(jīng)網(wǎng)絡(luò)可以用來(lái)模擬回歸問(wèn)題 (regression)，實(shí)質(zhì)上是單輸入單輸出神經(jīng)網(wǎng)絡(luò)模型，例如給下面一組數(shù)據(jù)，用一條線來(lái)對(duì)數(shù)據(jù)進(jìn)行擬合，并可以預(yù)測(cè)新輸入 x 的輸出值。

一、詳細(xì)解讀

我們通過(guò)這個(gè)簡(jiǎn)單的例子來(lái)熟悉Keras構(gòu)建神經(jīng)網(wǎng)絡(luò)的步驟：

1.導(dǎo)入模塊并生成數(shù)據(jù)

首先導(dǎo)入本例子需要的模塊，numpy、Matplotlib、和keras.models、keras.layers模塊。Sequential是多個(gè)網(wǎng)絡(luò)層的線性堆疊，可以通過(guò)向Sequential模型傳遞一個(gè)layer的list來(lái)構(gòu)造該模型，也可以通過(guò).add()方法一個(gè)個(gè)的將layer加入模型中。layers.Dense 意思是這個(gè)神經(jīng)層是全連接層。

2.建立模型

然后用 Sequential 建立 model，再用 model.add 添加神經(jīng)層，添加的是 Dense 全連接神經(jīng)層。參數(shù)有兩個(gè)，（注意此處Keras 2.0.2版本中有變更）一個(gè)是輸入數(shù)據(jù)的維度，另一個(gè)units代表神經(jīng)元數(shù)，即輸出單元數(shù)。如果需要添加下一個(gè)神經(jīng)層的時(shí)候，不用再定義輸入的緯度，因?yàn)樗J(rèn)就把前一層的輸出作為當(dāng)前層的輸入。在這個(gè)簡(jiǎn)單的例子里，只需要一層就夠了。

3.激活模型

model.compile來(lái)激活模型，參數(shù)中，誤差函數(shù)用的是 mse均方誤差；優(yōu)化器用的是 sgd 隨機(jī)梯度下降法。

4.訓(xùn)練模型

訓(xùn)練的時(shí)候用 model.train_on_batch 一批一批的訓(xùn)練 X_train, Y_train。默認(rèn)的返回值是 cost，每100步輸出一下結(jié)果。

5.驗(yàn)證模型

用到的函數(shù)是 model.evaluate，輸入測(cè)試集的x和y，輸出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一層 model.layers[0] 學(xué)習(xí)到的參數(shù)。從學(xué)習(xí)到的結(jié)果你可以看到, weights 比較接近0.5，bias 接近 2。

Weights= [[ 0.49136472]]

biases= [ 2.00405312]

6.可視化學(xué)習(xí)結(jié)果

最后可以畫(huà)出預(yù)測(cè)結(jié)果，與測(cè)試集的值進(jìn)行對(duì)比。

二、完整代碼

import numpy as np
np.random.seed(1337) 
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
 
# 生成數(shù)據(jù)
X = np.linspace(-1, 1, 200) #在返回（-1, 1）范圍內(nèi)的等差序列
np.random.shuffle(X) # 打亂順序
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, )) #生成Y并添加噪聲
# plot
plt.scatter(X, Y)
plt.show()
 
X_train, Y_train = X[:160], Y[:160]  # 前160組數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集
X_test, Y_test = X[160:], Y[160:]  #后40組數(shù)據(jù)為測(cè)試數(shù)據(jù)集
 
# 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
model = Sequential()
model.add(Dense(input_dim=1, units=1))
 
# 選定loss函數(shù)和優(yōu)化器
model.compile(loss='mse', optimizer='sgd')
 
# 訓(xùn)練過(guò)程
print('Training -----------')
for step in range(501):
 cost = model.train_on_batch(X_train, Y_train)
 if step % 50 == 0:
  print("After %d trainings, the cost: %f" % (step, cost))
 
# 測(cè)試過(guò)程
print('\nTesting ------------')
cost = model.evaluate(X_test, Y_test, batch_size=40)
print('test cost:', cost)
W, b = model.layers[0].get_weights()
print('Weights=', W, '\nbiases=', b)
 
# 將訓(xùn)練結(jié)果繪出
Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()

三、其他補(bǔ)充

1. numpy.linspace

numpy.linspace(start, stop, num=50, endpoint=True,retstep=False,dtype=None)

返回等差序列,序列范圍在(start,end),生成num個(gè)元素的np數(shù)組,如果endpoint為False,則生成num+1個(gè)但是返回num個(gè),retstep=True則在其后返回步長(zhǎng).

>>> np.linspace(2.0, 3.0, num=5)
array([ 2. , 2.25, 2.5 , 2.75, 3. ])
>>> np.linspace(2.0, 3.0, num=5, endpoint=False)
array([ 2. , 2.2, 2.4, 2.6, 2.8])
>>> np.linspace(2.0, 3.0, num=5, retstep=True)
(array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)

以上這篇使用Keras實(shí)現(xiàn)簡(jiǎn)單線性回歸模型操作就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論