Keras试用 线性回归

第一次入门TensorFlow，然后先搞搞Keras。

---

装环境：

pip install tensorflow

没有合适版本的话，检查一下自己的pip是不是最新版的，python是32位还是64位。

入门代码：线性回归

import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

#生成训练集
#trX和trY表示训练用的1000个点二维坐标的x和y，类型是nparray
#trX中，有1000组数据，每组数据只有1个元素，所以下文中Dense的input_dim=1
trX = np.random.uniform(-100, 100, size=1000) #生成1000个在-100~100之间的随机数，返回一个nparray
trY = 5 * trX + 6 + np.random.randn(*trX.shape) * 0.2 #期望y=5x+6，并加入一点点随机波动

#实例化model为层次模型
model = Sequential()

#为模型添加layer
#本示例是RNN，所以使用Dense作为layer
#前一个Dense的output_dim必须和后一个的input_dim相同
#第一个Dense的input_dim必须等于训练集输入的每组元素数
#最后一个的output_dim必须等于训练集输出输出的每组元素数
model.add(Dense(input_dim=1, output_dim=200, init='uniform', activation='linear'))
model.add(Dense(input_dim=200, output_dim=1, init='uniform', activation='linear'))

#编译模型，准备训练
#optimizer是优化器，一般选adam
#loss是损失函数，一般使用mse（均方误差）即可
#loss越小，说明训练效果越好，但要小心过拟合
model.compile(optimizer='adam', loss='mse')

#训练
#trX处填写训练集输入，trY处填写训练集输出
#nb_epoch是迭代次数，verbose=1表示在控制台输出每次epoch的信息
model.fit(trX, trY, nb_epoch=200, verbose=1)

#np.array()要求传入一个list，返回一个nparray
#arr.tolist()要求arr是一个nparray，返回一个list
#model.predict要求传入一个nparray
l = np.array([3,1,-5,-23,-42,52]) #测试集
res = model.predict(l) #结果
print(l)
print(res)