前期分享了使用tensorflow来进行神经网络的回归，tensorflow构建神经网络
本期我们来使用Keras来搭建一个简单的神经网络
Keras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，也就是线性回归问题（Y=w*X+b）
1创建随机数据
import numpy as np
np.random.seed(1337) # 随机数
from keras.models import Sequential # models.Sequential，用来一层一层的建立神经层
from keras.layers import Dense # layers.Dense 个神经层是全连接层
import matplotlib.pyplot as plt # 可视化模块
# 创建数据
X = np.linspace(-1, 1, 300)
np.random.shuffle(X) # 数据随机化
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (300, ))
# 显示创建的数据
plt.scatter(X, Y)
plt.show()
X_train, Y_train = X[:260], Y[:260] # train 前 260 data points
X_test, Y_test = X[260:], Y[260:] # test 后 40 data points
数据创建完后，我们查看一下生成的随机数据
建立神经网络模型
Sequential 建立 model
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 和 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（这一点大大简化了神经网络的搭建过程）
model = Sequential()
model.add(Dense(output_dim=1, input_dim=1))
model.compile(loss='mse', optimizer='sgd')
# 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
以上3行代码便是keras神经网络的搭建过程（比tensorflow减少了很多），构建完成神经网络后，开始训练
keras神经网络训练
for step in range(401):
cost = model.train_on_batch(X_train, Y_train)
if step % 100 == 0:
print('train cost: ', cost)
'''
train cost: 4.0291815
train cost: 0.076484405
train cost: 0.004810586
train cost: 0.0029513359
train cost: 0.002760151
'''
训练400步，每100步打印一下训练的结果，使用model.train_on_batch 一批一批的训练 X_train, Y_train
keras 神经网络的验证
使用 model.evaluate，输入测试集的x和y， 输出 cost，weights 和 biases。其中 weights 和 biases 是取在模型的第一层 model.layers[0] 学习到的参数
从训练的结果看出, weights 比较接近0.5，bias 接近 2，符合我们输入的模型
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)
40/40 [==============================] - 0s 450us/step
test cost: 0.003141355235129595
Weights= [[0.51579475]]
biases= [1.9971616]
可视化模型
验证完成后，我们可以可视化模型，看看神经网络预测的数据与实际数据的差异
Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()
以上便是keras构建回归神经网络的步骤，我们下期分享一下如何使用keras构建分类模型的神经网络
