image.png

    • 损失函数：误差大小，使用均方差Mean Square Error（mse）作为成本函数（预测值和真实值之间差的平方取均值）。
    • 优化目标：找到合适的a和b，使得(f(x) - y)越小越好，求解的参数是a和b。
    • 优化方法：梯度下降算法。

    • 建模

      1. model = keras.Sequential()   #顺序模型
      2. from keras import layers # 引入layers层
      3. model.add(layers.Dense(1, input_dim=1)) # layers.Dense层完成 y = ax + b【参数：输出是几维的；输入是几维的】 
      4. model.summary() # 显示出模型的层

      image.png

    • 编译模型（给模型定义优化算法，以及优化的目标loss ）

      1. # adam：内置优化算法
      2. # mse：均方差（优化的对象）
      3. model.compile(optimizer='adam',loss='mse')

    • 训练模型

      1. # epochs：训练的次数
      2. model.fit(x, y, epochs=6000)

      image.png

    • 测试模型

      1. # 用训练好的模型预测y的值
      2. model.predict(x)

      image.png

      1. plt.scatter(x, y, c='r') # 原始数据的图像
      2. plt.plot(x, model.predict(x)) # 训练的图像

      image.png

      1. model.predict([150])

      image.png