用Keras搭建神经网络简单模版（一）——Regressor 回归

本文链接：https://blog.csdn.net/qq_40875849/article/details/83053326

本文详细介绍如何使用Keras和TensorFlow构建并训练一个简单的神经网络模型，通过预测线性关系的数据集，演示了从数据准备、模型搭建、训练到测试的完整流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先需要下载Keras，可以看到我用的是TensorFlow 的backend

自己构建虚拟数据，x是-1到1之间的数，y为0.5*x+2，可视化出来


# -*- coding: utf-8 -*-
import numpy as np
np.random.seed(1337) #for reproducibility再现性
from keras.models import Sequential#按层
from keras.layers import Dense#全连接层
import matplotlib.pyplot as plt

#creat some data
X = np.linspace(-1,1,200) #200个x，-1到1之间
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]#160个
X_test,Y_test = X[160:], Y[160:]#40个

接下来搭建1层神经网络


#build a neural network from the 1st layer to the the last layer
model = Sequential()
model.add(Dense(output_dim=1,input_dim=1))#加一层

#choose loss function and optimizing method
#mse方差
model.compile(loss='mse',optimizer='sgd')

最后，训练测试，输出结果


#training
print("Training~~~~~~~~")
for step in range(301):
    cost = model.train_on_batch(X_train,Y_train)#一批一批的数据,这里一批选择全部数据
    if step %100==0:
        print('train cost:',cost)

#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)

#plotting the prediction
Y_pred =model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y_pred)

输出结果