神经网络学习小记录5——利用Keras进行回归运算

旧城等待， 2023-10-11 10:15 40阅读 0赞

### 神经网络学习小记录5——利用Keras进行回归运算 ###

*  学习前言
 *  什么是Keras
 *  Keras中基础的重要函数
 *   *  1、Sequential
     *  2、Dense
     *  3、model.compile
 *  全部代码

# 学习前言 #

看了好多Github，用于保存模型的库都是Keras，我觉得还是好好学习一下的好。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

# 什么是Keras #

Keras是一个由Python编写的开源人工神经网络库，可以作Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。  
**Keras相当于比Tensorflow和Theano更高一层的库，其可以以Tensorflow或者Theano为底层框架，以更加简洁、高效的方式添加代码。**  
在2018年Tensorflow 2.0.0公开后，Keras被正式确立为Tensorflow高阶API。

# Keras中基础的重要函数 #

## 1、Sequential ##

Sequential又称为序贯模型。  
序贯模型为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。  
在利用Keras进行模型构建前，只需要用如下函数建立模型就够了。

model = Sequential()

此时便已经建立了一个按次序的模型，之后在往模型中添加层的时候，就是按照次序添加的。

## 2、Dense ##

Dense用于往Sequential中添加全连接层。全连接层示意图如下。（图片源自百度百科）  
![在这里插入图片描述][20190922192155937.png_pic_center]  
具体而言，简单的BP神经网络中，输入层到隐含层中间的权值连接，其实与全连接层的意义相同。  
在Keras中，如果需要往model中添加全连接层，可使用如下函数。

model.add(Dense(output_dim = 1,input_dim = 1))

此时表示输入维度为1，输出维度也为1。

## 3、model.compile ##

model.compile在Keras中的作用主要用于定义loss函数和优化器。  
其调用方式如下：

model.compile(loss='mse', optimizer='sgd', metrics=['accuracy'])

其中loss用于定义计算损失的损失函数，其可以选择的内容如下：  
**1、mse：均方根误差，常用于回归预测。  
2、categorical\_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为形如(nb\_samples, nb\_classes)的二值序列，常用于分类。  
3、sparse\_categorical\_crossentrop：如上，但接受稀疏标签。**

optimizer用于定义优化器，**可以使用默认的，也可以从keras.optimizers导出。其可以选择的内容可以参照Keras中文文档。上文中选择的是随机梯度下降法sgd。**  
[Keras中文文档][Keras]

metrics=\[‘accuracy’\]常用于分类运算中，本例子中不适用，**accuracy代表计算分类精确度。**

# 全部代码 #

该例子为一元线性回归例子。

import numpy as np
    from keras.models import Sequential
    from keras.layers import Dense  ## 全连接层
    import matplotlib.pyplot as plt 
    
    # 生成测试数据
    X = np.linspace(-1,1,200)
    np.random.shuffle(X)
    Y = 0.5*X + 2 + np.random.normal(0,0.05,(200,))
    
    # 划分训练集和测试集
    X_train,Y_train = X[:160],Y[:160]
    X_test,Y_test = X[160:],Y[160:]
    
    # start
    model = Sequential()
    model.add(Dense(output_dim = 1,input_dim = 1))
    
    # compile
    model.compile(loss = 'mse',optimizer = 'sgd')
    
    
    # 训练
    print("\ntraining")
    for step in range(2001):
        cost = model.train_on_batch(X_train,Y_train)
        if step%100 == 0:
            print("tarin_cost:",cost)
    
    # 测试
    print("\nTest")
    cost = model.evaluate(X_test,Y_test,batch_size=40)
    W,b = model.layers[0].get_weights()
    print("Weights",W,"biaxes",b)
    
    # 预测结果
    Y = model.predict(X_test)
    plt.scatter(X_test,Y_test)
    plt.plot(X_test,Y)
    plt.show()

实现结果为：

tarin_cost: 4.506874
    tarin_cost: 0.21098542
    tarin_cost: 0.041809298
    tarin_cost: 0.013134768
    tarin_cost: 0.0055761375
    tarin_cost: 0.0035068158
    tarin_cost: 0.0029388934
    tarin_cost: 0.002783
    tarin_cost: 0.0027402083
    tarin_cost: 0.002728462
    tarin_cost: 0.0027252387
    tarin_cost: 0.0027243525
    tarin_cost: 0.0027241106
    tarin_cost: 0.0027240426
    tarin_cost: 0.002724025
    tarin_cost: 0.0027240203
    tarin_cost: 0.0027240184
    tarin_cost: 0.0027240182
    tarin_cost: 0.0027240175
    tarin_cost: 0.0027240175
    tarin_cost: 0.0027240175
    
    Test
    40/40 [==============================] - 0s 874us/step
    Weights [[0.5041559]] biaxes [1.9961643]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]  
**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: https://img-blog.csdnimg.cn/20190723165901974.jpg#pic_center
[20190922192155937.png_pic_center]: https://img-blog.csdnimg.cn/20190922192155937.png#pic_center
[Keras]: https://keras-cn.readthedocs.io/en/latest/other/optimizers/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20190922193434648.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA==,size_16,color_FFFFFF,t_70