【深度学习】实验09 使用Keras完成线性回归

文章目录

  • 使用Keras完成线性回归
    • 1. 导入Keras库
    • 2. 创建数据集
    • 3. 划分数据集
    • 4. 构造神经网络模型
    • 5. 训练模型
    • 6. 测试模型
    • 7. 分析模型
  • 附：系列文章

使用Keras完成线性回归

Keras是一款基于Python的深度学习框架，以Tensorflow、Theano和CNTK作为后端，由François Chollet开发和维护，其目标是使深度学习模型的实现变得快速、简单。它的设计理念是用户友好、可扩展、易于调试和实验。

Keras提供了一系列高级API和便捷的工具，使得用户可以快速构建和训练深度学习模型，而不必关注底层的细节。Keras支持各种类型的网络结构，包括卷积神经网络、循环神经网络、自编码器等，并且可以轻松地在不同的数据集上进行训练和测试。

Keras的主要特点有：

  1. 简单易用，快速上手：Keras提供了简单易用的API，用户只需几行代码就能实现复杂的深度学习模型。

  2. 支持多种后端：Keras可以用Tensorflow、Theano和CNTK作为后端，用户可以根据自己的需要选择合适的后端。

  3. 高度可扩展：Keras提供了模块化的API，用户可以根据需要添加自定义层和函数，以及修改现有的代码。

  4. 方便的调试和实验：Keras提供了实时可视化的工具，方便用户查看模型的训练情况和测试结果，并且支持各种回调函数，例如早期停止、学习率调整等。

  5. 支持GPU加速：Keras可以利用GPU进行计算，加速深度学习模型的训练和推断过程。

总之，Keras是一款优秀的深度学习框架，它使得深度学习模型的构建和训练变得更加简单和快速，可以帮助用户更加专注于模型的设计和应用。

1. 导入Keras库

import warnings
warnings.filterwarnings("ignore")import numpy as np
np.random.seed(1337)from keras.models import Sequential
from keras.layers import Dense
from sklearn.metrics import r2_score
import matplotlib.pyplot as plt

Using TensorFlow backend.

2. 创建数据集

# 创建数据集
# 在[-1,1]的区间内等间隔创建200个样本数
X = np.linspace(-1, 1, 200)
X

   array([-1.        , -0.98994975, -0.9798995 , -0.96984925, -0.95979899,-0.94974874, -0.93969849, -0.92964824, -0.91959799, -0.90954774,-0.89949749, -0.88944724, -0.87939698, -0.86934673, -0.85929648,-0.84924623, -0.83919598, -0.82914573, -0.81909548, -0.80904523,-0.79899497, -0.78894472, -0.77889447, -0.76884422, -0.75879397,-0.74874372, -0.73869347, -0.72864322, -0.71859296, -0.70854271,-0.69849246, -0.68844221, -0.67839196, -0.66834171, -0.65829146,-0.64824121, -0.63819095, -0.6281407 , -0.61809045, -0.6080402 ,-0.59798995, -0.5879397 , -0.57788945, -0.5678392 , -0.55778894,-0.54773869, -0.53768844, -0.52763819, -0.51758794, -0.50753769,-0.49748744, -0.48743719, -0.47738693, -0.46733668, -0.45728643,-0.44723618, -0.43718593, -0.42713568, -0.41708543, -0.40703518,-0.39698492, -0.38693467, -0.37688442, -0.36683417, -0.35678392,-0.34673367, -0.33668342, -0.32663317, -0.31658291, -0.30653266,-0.29648241, -0.28643216, -0.27638191, -0.26633166, -0.25628141,-0.24623116, -0.2361809 , -0.22613065, -0.2160804 , -0.20603015,-0.1959799 , -0.18592965, -0.1758794 , -0.16582915, -0.15577889,-0.14572864, -0.13567839, -0.12562814, -0.11557789, -0.10552764,-0.09547739, -0.08542714, -0.07537688, -0.06532663, -0.05527638,-0.04522613, -0.03517588, -0.02512563, -0.01507538, -0.00502513,0.00502513,  0.01507538,  0.02512563,  0.03517588,  0.04522613,0.05527638,  0.06532663,  0.07537688,  0.08542714,  0.09547739,0.10552764,  0.11557789,  0.12562814,  0.13567839,  0.14572864,0.15577889,  0.16582915,  0.1758794 ,  0.18592965,  0.1959799 ,0.20603015,  0.2160804 ,  0.22613065,  0.2361809 ,  0.24623116,0.25628141,  0.26633166,  0.27638191,  0.28643216,  0.29648241,0.30653266,  0.31658291,  0.32663317,  0.33668342,  0.34673367,0.35678392,  0.36683417,  0.37688442,  0.38693467,  0.39698492,0.40703518,  0.41708543,  0.42713568,  0.43718593,  0.44723618,0.45728643,  0.46733668,  0.47738693,  0.48743719,  0.49748744,0.50753769,  0.51758794,  0.52763819,  0.53768844,  0.54773869,0.55778894,  0.5678392 ,  0.57788945,  0.5879397 ,  0.59798995,0.6080402 ,  0.61809045,  0.6281407 ,  0.63819095,  0.64824121,0.65829146,  0.66834171,  0.67839196,  0.68844221,  0.69849246,0.70854271,  0.71859296,  0.72864322,  0.73869347,  0.74874372,0.75879397,  0.76884422,  0.77889447,  0.78894472,  0.79899497,0.80904523,  0.81909548,  0.82914573,  0.83919598,  0.84924623,0.85929648,  0.86934673,  0.87939698,  0.88944724,  0.89949749,0.90954774,  0.91959799,  0.92964824,  0.93969849,  0.94974874,0.95979899,  0.96984925,  0.9798995 ,  0.98994975,  1.        ])

# 将数据集随机化
np.random.shuffle(X)
X

   array([-0.70854271,  0.1758794 , -0.30653266,  0.74874372, -0.02512563,0.33668342, -0.85929648,  0.01507538, -0.13567839,  0.72864322,0.24623116, -0.74874372, -0.78894472,  0.50753769,  0.03517588,0.35678392, -0.55778894,  0.2361809 , -0.25628141, -0.44723618,0.2160804 , -0.43718593, -0.64824121,  0.69849246, -0.03517588,-0.45728643,  0.86934673,  0.73869347,  0.53768844, -0.67839196,-0.75879397,  0.55778894,  0.28643216, -0.05527638, -0.86934673,0.1959799 , -0.57788945, -0.9798995 , -0.6080402 , -0.63819095,0.84924623,  0.41708543,  0.13567839,  0.79899497, -0.47738693,0.46733668,  0.59798995, -0.80904523, -0.98994975, -0.36683417,-0.5678392 , -0.00502513, -0.53768844, -0.37688442, -0.65829146,-0.1959799 ,  0.06532663,  0.44723618, -0.01507538, -0.6281407 ,0.02512563, -0.71859296, -0.14572864, -0.46733668,  0.07537688,0.85929648,  0.76884422,  0.40703518, -0.68844221,  0.68844221,-0.29648241,  0.66834171, -0.95979899, -0.33668342,  0.26633166,-0.82914573,  1.        , -0.5879397 , -0.69849246, -0.20603015,0.63819095, -0.88944724, -0.40703518, -0.32663317,  0.15577889,-0.41708543,  0.10552764,  0.20603015, -0.04522613,  0.00502513,-0.31658291,  0.43718593,  0.42713568,  0.45728643, -0.59798995,-0.66834171,  0.83919598,  0.75879397, -0.24623116,  0.71859296,-0.92964824,  0.39698492,  0.61809045, -0.84924623, -0.87939698,-0.96984925,  0.87939698,  0.6281407 ,  0.25628141,  0.27638191,0.12562814,  0.09547739, -0.89949749,  0.80904523, -0.16582915,-0.12562814,  0.30653266,  0.49748744,  0.5879397 , -0.51758794,-0.10552764,  0.54773869, -0.94974874,  0.92964824,  0.16582915,-0.83919598, -0.35678392, -0.48743719,  0.08542714, -0.61809045,0.18592965,  0.57788945,  0.65829146,  0.38693467,  0.91959799,-0.26633166, -0.50753769, -1.        , -0.54773869,  0.6080402 ,-0.49748744, -0.22613065,  0.9798995 ,  0.98994975,  0.5678392 ,0.32663317,  0.64824121, -0.52763819,  0.36683417,  0.81909548,-0.11557789,  0.31658291, -0.2160804 ,  0.95979899,  0.77889447,-0.73869347, -0.81909548, -0.79899497,  0.78894472,  0.88944724,-0.2361809 ,  0.37688442,  0.70854271,  0.22613065, -0.28643216,-0.38693467,  0.90954774, -0.91959799,  0.48743719, -0.42713568,-0.08542714,  0.11557789, -0.18592965,  0.47738693, -0.39698492,-0.34673367,  0.04522613,  0.05527638,  0.93969849, -0.77889447,-0.93969849, -0.06532663, -0.72864322,  0.29648241,  0.52763819,-0.76884422,  0.94974874,  0.82914573,  0.34673367, -0.90954774,-0.27638191, -0.15577889, -0.1758794 ,  0.14572864, -0.09547739,0.96984925,  0.67839196, -0.07537688,  0.89949749,  0.51758794])

# 假设真实模型为：Y=0.5X+2
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200,))
Y

   array([1.66851812, 2.12220988, 1.91611873, 2.38979647, 1.96473269,2.11662688, 1.58217043, 2.05326658, 1.95885373, 2.4277956 ,2.13544689, 1.68732448, 1.66384243, 2.2702853 , 2.03148986,2.14968674, 1.76442495, 2.10802586, 1.93269542, 1.81936289,2.15190248, 1.83941395, 1.71399197, 2.21820555, 1.97918099,1.79781646, 2.43645587, 2.31211201, 2.21764353, 1.71912829,1.64285239, 2.2663785 , 2.11081029, 2.09338152, 1.5614153 ,2.19655545, 1.72824772, 1.56444412, 1.72673075, 1.67311017,2.39817488, 2.12624087, 2.07791136, 2.40515644, 1.80701389,2.16050089, 2.30373845, 1.57656517, 1.52482139, 1.7639545 ,1.76787463, 2.01204511, 1.74877623, 1.86751173, 1.67509082,1.95941218, 2.0126989 , 2.31574759, 2.04672223, 1.73762178,1.97249596, 1.65257838, 1.98435822, 1.74193776, 2.05272917,2.41693508, 2.37609913, 2.24686996, 1.61790402, 2.37607665,1.82677368, 2.29512653, 1.52756173, 1.79404414, 2.08314   ,1.5209276 , 2.48034115, 1.7821867 , 1.60377021, 1.82345627,2.23840132, 1.50174227, 1.85127905, 1.92372432, 1.95433662,1.8146093 , 1.96513404, 2.0227501 , 1.97564664, 2.09893966,1.95392005, 2.2089975 , 2.26074219, 2.24742979, 1.75936195,1.69145596, 2.46801952, 2.40938521, 1.98369075, 2.37509171,1.53026033, 2.24305926, 2.33309562, 1.49913881, 1.48743005,1.54075518, 2.33130062, 2.37463005, 2.19387461, 2.20970603,2.04719149, 2.04105128, 1.48410805, 2.34714158, 1.95061571,1.89473245, 2.26596278, 2.22430597, 2.29984983, 1.7894671 ,1.85995514, 2.31688729, 1.53417344, 2.39777465, 2.12853793,1.47736812, 1.90180229, 1.73086567, 2.03772387, 1.67243511,2.10115733, 2.26944612, 2.37404859, 2.22042332, 2.4948031 ,1.80153666, 1.72069013, 1.44829544, 1.77678155, 2.24291992,1.73557503, 1.79249737, 2.52580388, 2.46810975, 2.34211232,2.22144569, 2.31945172, 1.72814133, 2.17318812, 2.43560932,1.9662451 , 2.14319385, 1.83150682, 2.48805089, 2.28374904,1.63645718, 1.57901687, 1.61041853, 2.40884706, 2.37339631,1.90728817, 2.09065413, 2.36836694, 2.05400262, 1.87764304,1.83547711, 2.45064964, 1.46324772, 2.2429919 , 1.75954149,1.97326923, 2.08379661, 2.04616096, 2.3161197 , 1.81470671,1.8188581 , 2.11349671, 2.05477704, 2.39622142, 1.61281075,1.56914576, 1.96947616, 1.56645219, 2.08002605, 2.2185357 ,1.54079134, 2.42384819, 2.41198434, 2.0570266 , 1.55142224,1.83396657, 1.92648666, 1.9143498 , 1.9372014 , 1.92794208,2.42698754, 2.29871021, 2.03266023, 2.42413239, 2.28286632])

# 绘制数据集(X, Y)
plt.scatter(X, Y)
plt.show()

1

3. 划分数据集

# 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:]

4. 构造神经网络模型

# 定义一个model
# Keras有两种类型的模型，序列模型和函数式模型
# 比较常用的是Sequential，它是单输入单输出的
model = Sequential()# 通过add()方法一层层添加模型
# Dense是全连接层，第一层需要定义输入
model.add(Dense(output_dim=1,input_dim=1))# 定义完成模型就要训练了，不过训练之前我们需要指定一些训练参数
# 通过compile()方法选择损失函数和优化器
# 这里我们用均方差作为损失函数，随机梯度下降作为优化方法
model.compile(loss='mse', optimizer='sgd')

5. 训练模型

# 开始训练
print('Training ----------')# Keras有很多开始训练的函数，这里用train_on_batch（）
for step in range(301):cost = model.train_on_batch(X_train,Y_train)if step%100 == 0:print('train cost: ', cost)

Training ----------
WARNING:tensorflow:From /home/nlp/anaconda3/lib/python3.7/site-packages/keras/backend/tensorflow_backend.py:422: The name tf.global_variables is deprecated. Please use tf.compat.v1.global_variables instead.train cost:  4.0225005
train cost:  0.073238626
train cost:  0.00386274
train cost:  0.002643449

6. 测试模型

# 测试训练好的模型
print('Testing ----------')
cost = model.evaluate(X_test, Y_test, batch_size = 40)
print('test cost: ',cost)

Testing ----------
40/40 [==============================] - 0s 508us/step
test cost:  0.0031367032788693905

7. 分析模型

# 查看训练出的网络参数
# 由于我们网络只有一层，且每次训练的输入只有一个，输出只有一个
# 因此第一层训练出Y=WX+B这个模型，其中W,b为训练出的参数
W, b = model.layers[0].get_weights()
print('Weights = ', W, '\nbiases = ', b)

Weights =  [[0.4922711]] 
biases =  [1.9995022]

# 画出预测图
Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()

2

#使用r2 score评估准确度
pred_acc = r2_score(Y_test, Y_pred)
print('pred_acc',pred_acc)

pred_acc 0.9591211310535933

#保存模型
model.save('keras_linear.h5')

附：系列文章

序号文章目录直达链接
1波士顿房价预测https://want595.blog.csdn.net/article/details/132181950
2鸢尾花数据集分析https://want595.blog.csdn.net/article/details/132182057
3特征处理https://want595.blog.csdn.net/article/details/132182165
4交叉验证https://want595.blog.csdn.net/article/details/132182238
5构造神经网络示例https://want595.blog.csdn.net/article/details/132182341
6使用TensorFlow完成线性回归https://want595.blog.csdn.net/article/details/132182417
7使用TensorFlow完成逻辑回归https://want595.blog.csdn.net/article/details/132182496
8TensorBoard案例https://want595.blog.csdn.net/article/details/132182584
9使用Keras完成线性回归https://want595.blog.csdn.net/article/details/132182723
10使用Keras完成逻辑回归https://want595.blog.csdn.net/article/details/132182795
11使用Keras预训练模型完成猫狗识别https://want595.blog.csdn.net/article/details/132243928
12使用PyTorch训练模型https://want595.blog.csdn.net/article/details/132243989
13使用Dropout抑制过拟合https://want595.blog.csdn.net/article/details/132244111
14使用CNN完成MNIST手写体识别(TensorFlow)https://want595.blog.csdn.net/article/details/132244499
15使用CNN完成MNIST手写体识别(Keras)https://want595.blog.csdn.net/article/details/132244552
16使用CNN完成MNIST手写体识别(PyTorch)https://want595.blog.csdn.net/article/details/132244641
17使用GAN生成手写数字样本https://want595.blog.csdn.net/article/details/132244764
18自然语言处理https://want595.blog.csdn.net/article/details/132276591

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/106837.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【视觉检测】电源线圈上的导线弯直与否视觉检测系统软硬件方案

【视觉检测】电源线圈上的导线弯直与否视觉检测系统软硬件方案

 检测内容 线圈上的导线弯直与否检测系统。  检测要求 检测线圈上的导线有无弯曲，弯曲度由客户自己设定。检测速度5K/8H625PCS/H。  视觉可行性分析 对样品进行了光学实验，并进行图像处理，原则上可以使用机器视觉进行测试测量…
阅读更多...
结构方程模型SEM、路径分析房价和犯罪率数据、预测智力影响因素可视化2案例...

结构方程模型SEM、路径分析房价和犯罪率数据、预测智力影响因素可视化2案例...

原文链接：http://tecdat.cn/?p25044 在本文，我们将考虑观察/显示所有变量的模型，以及具有潜在变量的模型（点击文末“阅读原文”获取完整代码数据）。 1 简介 第一种有时称为“路径分析”，而后者有时称为“测…
阅读更多...
RabbitMQ: 死信队列

RabbitMQ: 死信队列

一、在客户端创建方式 1.创建死信交换机 2.创建类生产者队列 3.创建死信队列 其实就是一个普通的队列，绑定号私信交换机，不给ttl，给上匹配的路由，等待交换机发送消息。 二、springboot实现创建类生产者队列 1.在消费者里的…
阅读更多...
Java后端简历指南（应届）

Java后端简历指南（应届）

⭐简单说两句⭐ 作者：后端小知识 CSDN个人主页：后端小知识 🔎GZH：后端小知识 🎉欢迎关注🔎点赞👍收藏⭐️留言📝 Java后端简历指南（应届） 文章目录 Java后端简…
阅读更多...
Direct3D纹理映射

Direct3D纹理映射

借助纹理映射技术，我们可将图像数据映射到三角形单元中，这种功能可以显著地增加所绘制场景的细节和真实感，例如创建一个立方体然后为其每个面映射一个板条纹理，从而将该立方体变为一个板条箱，在Direct3D中纹理用接口ID…
阅读更多...
C#，《小白学程序》第十五课：随机数（Random）第二，统计学初步，数据统计的计算方法与代码

C#，《小白学程序》第十五课：随机数（Random）第二，统计学初步，数据统计的计算方法与代码

1 文本格式 /// <summary> /// 《小白学程序》第十五课&#xff1a;随机数&#xff08;Random&#xff09;第二&#xff0c;统计学初步&#xff0c;数据统计的计算方法与代码 /// 用随机数做简单的统计并用图形显示统计结果。 /// </summary> /// <param name&q…
阅读更多...
人工智能基础-趋势-架构

人工智能基础-趋势-架构

在过去的几周里&#xff0c;我花了一些时间来了解生成式人工智能基础设施的前景。在这篇文章中&#xff0c;我的目标是清晰概述关键组成部分、新兴趋势&#xff0c;并重点介绍推动创新的早期行业参与者。我将解释基础模型、计算、框架、计算、编排和矢量数据库、微调、标签、合…
阅读更多...
宋浩高等数学笔记（十二）无穷级数

宋浩高等数学笔记（十二）无穷级数

完结&#xff0c;宋浩笔记系列的最后一更~ 之后会出一些武忠祥老师的错题&笔记总结&#xff0c;10月份就要赶紧做真题了
阅读更多...
成都瀚网科技有限公司：抖音怎么绑定抖音小店才好？

成都瀚网科技有限公司：抖音怎么绑定抖音小店才好？

抖音是一款非常流行的短视频应用&#xff0c;为用户提供了一个展示才华、分享生活的平台。在抖音上&#xff0c;用户可以通过绑定抖音商店来销售自己的产品或服务&#xff0c;从而实现商业变现。那么&#xff0c;抖音如何绑定抖音商店呢&#xff1f; 1、抖音如何绑定抖音商店&a…
阅读更多...
Golang教程与Gin教程合集，入门到实战

Golang教程与Gin教程合集，入门到实战

GolangGin框架GormRbac微服务仿小米商城项目实战视频教程Docker Swarm K8s云原生分布式部署 介绍&#xff1a; Go即Golang&#xff0c;是Google公司2009年11月正式对外公开的一门编程语言&#xff0c;它不仅拥有静态编译语言的安全和高性能&#xff0c;而 且又达到了动态语言开…
阅读更多...
SpringWeb解析

SpringWeb解析

目录 运行流程 组件介绍 简单搭建一个SpringWeb项目 1.导入依赖 2.配置DispatcherServlet 3.开启注解 4.处理器搭建 5.接收请求 获取请求的数据 中文乱码 返回json格式 拦截器 代码实现 SpringWeb 是 spring 框架中的一个模块&#xff0c;基于 Servlet API 构建的原…
阅读更多...
GO语言篇之CGO

GO语言篇之CGO

GO语言篇之CGO 文章目录 GO语言篇之CGO前言C代码嵌入GO代码C文件嵌入GO代码缺点 前言 Go语言可以通过内置的CGO调用C语言接口&#xff0c;从而实现C语言代码的交互&#xff0c;CGO提供了一种将Go代码嵌入到C代码中&#xff0c;或者从Go代码中调用C函数的方法 C代码嵌入GO代码…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023