嵌入式系统|使用keras做线性回归训练记录
我们建立一个如下的模型：
文章图片
数学表达师式是
文章图片
在这里，我们给定
文章图片
并且给定一组按照此规律分布的数据，用这组数据进行训练，看出来的网络能否作出准确预测。
数据输入: [[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]]
数据输出：[15.0,9.0,29.0,16.2]
那么当数据是两组的[4.0,11.0],[5.9,6.7]时候，输出是什么呢？
训练模型：
from tensorflow import keras
import numpy as np
model=keras.Sequential([keras.layers.Dense(units=1, input_shape=[None, 2])])
model.compile(optimizer="sgd",loss="mean_squared_error")
xs=np.array([[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]],dtype=float)
ys=np.array([15.0,9.0,29.0,16.2],dtype=float)
model.fit(xs,ys, epochs=3000)
model.summary()训练过程以及网络参数：
文章图片
可以看到，最后的输出模型LOSS值已经非常非常小了。
预测模式
我们用这个模型预测 [[-1.0,2.0],[0.0,1.0],[2.0,3.0],[4.0,0.9]]的输出
pd=np.array([[4.0,11.0],[5.9,6.7]], dtype=float)
print(pd.shape)
model.predict(pd)可以看到输出如下：
文章图片
我们套用上面的公式，实际计算一下准确值
文章图片
文章图片
可以看到，预测出来的值还是非常非常接近的。
这种方式到底有什么不同呢？
通常我们解决问题，希望由我们自己去找出规律，然后在由规律去解决问题，但是CNN却相反，我们不需要自己去找出规律，而是由模型自己去训练，得到规律，我们只要结果，一下子把我们从问题中解放了出来。如下图所示：
文章图片
跑上述模型的环境版本是：
文章图片
调试方式：
查看层的名称：
print(model.layers[2].name)
文章图片
获取weights 和 bias
weights, biases = model.layers[0].get_weights()
文章图片
如上图所是，训练得到的bias和weights和初始设定的2.0,3.0,1.0非常接近。
文章图片
查看参数形状
文章图片
训练的时候加入验证集
【嵌入式系统|使用keras做线性回归训练记录】
文章图片
结束！
推荐阅读
- 由浅入深理解AOP
- 【译】20个更有效地使用谷歌搜索的技巧
- mybatisplus如何在xml的连表查询中使用queryWrapper
- MybatisPlus|MybatisPlus LambdaQueryWrapper使用int默认值的坑及解决
- MybatisPlus使用queryWrapper如何实现复杂查询
- 如何在Mac中的文件选择框中打开系统隐藏文件夹
- iOS中的Block
- Linux下面如何查看tomcat已经使用多少线程
- 使用composer自动加载类文件
- 单点登陆