import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
import keras
import numpy as np
import matplotlib.pyplot as plt
#顺序模型
from keras.models import Sequential
#全连接层
from keras.layers import Dense
from keras.optimizers import SGD
#使用numpy生成100个随机点
x_data = np.linspace(-0.5,0.5,200)
noise = np.random.normal(0,0.01,x_data.shape)
y_data = np.square(x_data)+noise
#显示随机点
plt.scatter(x_data,y_data)
plt.show()
#构建一个顺序模型
model = Sequential()
#在模型中添加一个全连接层
model.add(Dense(units=10,input_dim=1,activation='tanh'))
#NOTE:input_dim=10可以省略，Keras默认会赋予正确值
model.add(Dense(units=1,input_dim=10,activation='tanh'))
#提高学习率
sgd = SGD(lr=0.3)
model.compile(optimizer=sgd,loss='mse')
for step in range(3001):
#每次训练一个批次
cost = model.train_on_batch(x_data,y_data)
#每500次打印一下cost值
if step %500 ==0:
print("COST",cost)
# x_data输入网络中，得到预测值
y_pred = model.predict(x_data)
#显示随机点
plt.scatter(x_data,y_data)
plt.plot(x_data,y_pred,'r-',3)
plt.show()
拟合效果如下：
本文链接：http://task.lmcjl.com/news/12763.html