学习keras的regressor

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了学习keras的regressor相关的知识,希望对你有一定的参考价值。

Regressor 回归

作者: Alice 编辑: Morvan

神经网络可以用来模拟回归问题 (regression),例如给下面一组数据,用一条线来对数据进行拟合,并可以预测新输入 x 的输出值。

 技术分享

Keras 构建回归神经网络的步骤:

  1. 导入模块并创建数据
  2. 建立模型
  3. 激活模型
  4. 训练模型
  5. 检验模型
  6. 可视化结果

导入模块并创建数据

models.Sequential,用来一层一层一层的去建立神经层; layers.Dense 意思是这个神经层是全连接层。

import numpy as np

np.random.seed(1337)  # for reproducibility

from keras.models import Sequential

from keras.layers import Dense

import matplotlib.pyplot as plt # 可视化模块

 

# create some data

X = np.linspace(-1, 1, 200)

np.random.shuffle(X)    # randomize the data

Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))

# plot data

plt.scatter(X, Y)

plt.show()

 

X_train, Y_train = X[:160], Y[:160]     # train 160 data points

X_test, Y_test = X[160:], Y[160:]       # test 40 data points

技术分享

建立模型

然后用 Sequential 建立 model 再用 model.add 添加神经层,添加的是 Dense 全连接神经层。

参数有两个,一个是输入数据和输出数据的维度,本代码的例子中 x  y 是一维的。

如果需要添加下一个神经层的时候,不用再定义输入的纬度,因为它默认就把前一层的输出作为当前层的输入。在这个例子里,只需要一层就够了。

model = Sequential()

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

激活模型

接下来要激活神经网络,上一步只是定义模型。

参数中,误差函数用的是 mse 均方误差;优化器用的是 sgd 随机梯度下降法。

# choose loss function and optimizing method

model.compile(loss=‘mse‘, optimizer=‘sgd‘)

以上三行就构建好了一个神经网络,它比 Tensorflow 要少了很多代码,很简单。

训练模型

训练的时候用 model.train_on_batch 一批一批的训练 X_train, Y_train。默认的返回值是cost,每100步输出一下结果。

# training

print(‘Training -----------‘)

for step in range(301):

    cost = model.train_on_batch(X_train, Y_train)

    if step % 100 == 0:

        print(‘train cost: ‘, cost)

 

"""

Training -----------

train cost:  4.111329555511475

train cost:  0.08777070790529251

train cost:  0.007415373809635639

train cost:  0.003544030711054802

"""

检验模型

用到的函数是 model.evaluate,输入测试集的xy 输出 costweights  biases。其中 weights  biases 是取在模型的第一层 model.layers[0] 学习到的参数。从学习到的结果你可以看到, weights 比较接近0.5bias 接近 2

# test

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)

 

"""

Testing ------------

40/40 [==============================] - 0s

test cost: 0.004269329831

Weights= [[ 0.54246825]]

biases= [ 2.00056005]

"""

可视化结果

最后可以画出预测结果,与测试集的值进行对比。

# plotting the prediction

Y_pred = model.predict(X_test)

plt.scatter(X_test, Y_test)

plt.plot(X_test, Y_pred)

plt.show()

技术分享

 

如果你觉得这篇文章或视频对你的学习很有帮助, 请你也分享它, 让它能再次帮助到更多的需要学习的人.

莫烦没有正式的经济来源, 如果你也想支持 莫烦Python 并看到更好的教学内容, 请拉倒屏幕最下方, 赞助他一点点, 作为鼓励他继续开源的动力.

https://morvanzhou.github.io/tutorials/machine-learning/keras/2-1-regressor/

 

以上是关于学习keras的regressor的主要内容,如果未能解决你的问题,请参考以下文章

如何在 Keras Regressor 中解释 MSE

如何在 Keras Regressor 中解释 MSE

莫凡PYthon之keras 1

深度学习框架Keras学习与应用

深度学习基TensorflowTheano的keras常用函数学习

学习参考+《深度学习基于Keras的Python实践》PDF+ 源代码+魏贞原