import keras
import numpy as np
import matplotlib.pyplot as plt
#Sequential 按順序構(gòu)成的模型
from keras.models import Sequential#Sequential是模型結(jié)構(gòu)，輸入層，隱藏層，輸出層
#Dense 全連接層,Activation激活函數(shù)
from keras.layers import Dense,Activation
from keras.optimizers import SGD
 
x_data=np.linspace(-0.5,0.5,200)#從-0.5到0.5范圍內(nèi)生成200個(gè)隨機(jī)點(diǎn)
noise=np.random.normal(0,0.02,x_data.shape)#生成和x_data形狀一樣的噪聲
y_data=np.square(x_data)+noise
 
#顯示隨機(jī)點(diǎn)
#plt.scatter(x_data,y_data)
#plt.show()
 
#構(gòu)建一個(gè)順序模型
model=Sequential()
 
#1-10-1，添加一個(gè)隱藏層
model.add(Dense(units=10,input_dim=1,activation='relu'))#units是隱藏層，輸出維度，輸出y，input_dim是輸入維度，輸入x
#model.add(Activation('tanh'))#給這一層添加一個(gè)雙曲正切激活函數(shù)tanh函數(shù)
model.add(Dense(units=1,input_dim=10,activation='relu'))#input_dim可以不寫(xiě)，它可以識(shí)別到上一句的輸出是10維
#model.add(Activation('tanh'))#給這一層添加一個(gè)雙曲正切激活函數(shù)tanh函數(shù)
#定義優(yōu)化器
sgd=SGD(lr=0.3)#學(xué)習(xí)率提高到0.3，訓(xùn)練速度會(huì)加快
 
model.compile(optimizer=sgd,loss='mse')#編譯這個(gè)模型，sgd是隨機(jī)梯度下降法，優(yōu)化器.mse是均方誤差
 
#訓(xùn)練模型
for step in range(5001):
  #每次訓(xùn)練一個(gè)批次
  cost=model.train_on_batch(x_data,y_data)#代價(jià)函數(shù)的值，其實(shí)就是loss
  #每500個(gè)batch打印一次cost值
  if step %500==0:
    print('cost:',cost)
 
#打印權(quán)值和偏置值
W,b=model.layers[0].get_weights()#線(xiàn)性回歸，只有一層
print('W:',W,'b:',b)
 
#x_data輸入網(wǎng)絡(luò)中，得到預(yù)測(cè)值y_pred
y_pred=model.predict(x_data)
 
#顯示隨機(jī)點(diǎn)s
plt.scatter(x_data,y_data)
#顯示預(yù)測(cè)結(jié)果
plt.plot(x_data,y_pred,'r-',lw=3)#r-表示紅色的線(xiàn)，lw表示線(xiàn)寬
plt.show()
 

cost: 0.0077051604
cost: 0.0004980223
cost: 0.00047812634
cost: 0.00047762066
cost: 0.00047761563
cost: 0.00047761557
cost: 0.0004776156
cost: 0.0004776156
cost: 0.0004776156
cost: 0.00047761566
cost: 0.0004776156
W: [[ 0.37828678 0.37509003 0.1847014 -0.46519393 -0.6347979 -0.70865685
  0.55382997 -0.66780925 0.08229994 0.5980157 ]] b: [-0.00412499 -0.01216194 0.01939214 -0.03005166 -0.00475936 -0.00794064
 -0.00015427 -0.01620528 0.08056344 -0.01741577]