keras第二课

 

import keras
import numpy as np 
import matplotlib.pyplot as plt 
from keras import layers
%matplotlib inline
x = np.linspace(0,100,30)
y = 3*x + 7 + np.random.randn(30)
plt.scatter(x,y) 

model = keras.Sequential()  
model.add(layers.Dense(1,input_dim=1))
model.summary() #显示 模型的参数
model.compile(optimizer='adam',loss="mse")
#model.fit(x,y,epochs=3000)

model.predict(x)  # 预测
plt.scatter(x,y,c='r') # 画图
plt.plot(x,model.predict(x))
model.predict([150])  # 给出x 预测y 
import pandas as pd 
import os 
print(os.path.abspath("."))
data = pd.read_csv("./data/Advertising.csv")
data.head()  # 前三列为特征值，sales 为预测值
x = data[data.columns[0:-1]] # 取出前三列
y = data.iloc[:,-1]
# 建立模型，
model = keras.Sequential()
# Dense 实现的是： y_predit = w1 * x1 + w2*x2 + w3*x3 + b 
model.add(layers.Dense(1,input_dim=3))# 添层输入三个数据  输出1个数据
model.summary()
# 编译模型
model.compile(optimizer='adam',loss='mse')
# 训练  
model.fit(x, y, epochs=2000)
model.predict(pd.DataFrame([[300,0,0]]))

 

 

'''
手写数据，
第一步：导入数据
第二步：加载训练数据和测试数据
第三步：初始化model,添加Flatten层，展平
第四步：添加层全连接层 输出64个单元，使用relu 激活
第五步：添加输出层
第六步： 编译模型
第七步： 训练模型
第八步： 检测模型 查看得分
第九步： 预测数据,输入测试的数据，查看预测结果和测试数据label值

'''

import keras
import numpy as np 
import matplotlib.pyplot as plt 
from keras import layers
%matplotlib inline
import keras.datasets.mnist as mnist
(train_image,train_label),(test_image,test_label) = mnist.load_data()
train_image.shape

plt.imshow(train_image[1000])
train_label.shape
train_label[1000]
test_image.shape,test_label.shape
model = keras.Sequential()
model.add(layers.Flatten())
model.add(layers.Dense(64,activation='relu'))
model.add(layers.Dense(10,activation='softmax'))
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['acc'])
model.fit(train_image,train_label,epochs=50,batch_size=512,validation_data=(test_image,test_label))

model.evaluate(train_image,train_label)
model.predict(test_image[:10])[0]
import numpy as np
ll = np.argmax(model.predict(test_image[:10]),axis=1)
print(ll)
print(test_label[:10])