2.keras-构建基本网络实现非线性回归
2024-10-20 20:57:47
构建基本网络实现非线性回归
1.加载显示数据集
import tensorflow as tf
import numpy as np
import keras
from keras.layers import *
from keras.models import Sequential
import matplotlib.pyplot as plt
from keras.optimizers import SGD 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 # 显示
plt.scatter(x_data,y_data)
plt.show()
2.构建网络输出结果
# 构建顺序模型
model = Sequential()
# 在模型中添加一个全连接模型
# 机构为1-10-1
model.add(Dense(units=10,input_dim=1,activation='tanh'))
model.add(Dense(units=1,activation='tanh')) #units=1,input_dim=1输入和输出都是一维的
# 自定义SGD
sgd = SGD(lr=0.3)
model.compile(optimizer=sgd,
loss= 'mse')
for step in range(3000):
# 每次训练一个batch
cost = model.train_on_batch(x_data,y_data)
if step % 500 ==0:
print('step:',step)
print('cost',cost)
# 打印权值和偏移项
W,b = model.layers[0].get_weights()
print('W:',W,'b',b)
out:
step: 0
cost 0.066955164
step: 500
cost 0.0051592756
step: 1000
cost 0.019756123
step: 1500
cost 0.0018320761
step: 2000
cost 0.0007798174
step: 2500
cost 0.0005237385
W: [[-0.06731744 0.8597639 0.4614085 0.02440587 -0.04702926 -0.03291976
0.78343517 -0.0447227 1.1036808 1.4795449 ]] b [-0.04047519 0.27002558 -0.06009897 -0.20481145 -0.13842463 -0.27928182
0.21476284 0.28802755 0.44497478 -0.59868914]
3.预测并绘制预测结果
# 进行预测值
y_pred = model.predict(x_data) # 显示随机点
plt.scatter(x_data,y_data)
plt.plot(x_data,y_pred,'r-',lw=3)
plt.show()
最新文章
- js 轮播效果
- jQuery基础课程
- CacheManager COUNTER
- bzoj3998: [TJOI2015]弦论
- Android程序设计-RecyclerView的使用
- 安装mysql5.5时候的报错解决办法:
- JavaScript调Java
- FreeMarker惯用内置函数
- iOS 将图片保存到本地
- ORACLE触发特定的解释
- Ubuntu Docker 简单安装 GitLab
- Python学习笔记整理总结【web基础】【web/HTML/CSS/JavaScript/DOM/jQuery】
- PHP defined() 函数
- mysql常用基础操作语法(一)~~对库的操作【命令行模式】
- sql的基本语句
- 比较两个List是否相等,长度和内容都相等
- Oarcle的开始
- latch release ......
- 关于docker容器和镜像的区别
- 用Postfix + Dovecot 搭建的邮件server被垃圾邮件其中转server的处理