基于Keras的人工神经网络搭建入门实例

人工智能（AI）已经成为一个热门的方向，而神经网络的搭建也是最重要的一环，本篇介绍一个基于Keras的人工神经网络搭建入门级实例，(后端使用Tensorflow)
如果对Python还不是很了解的话，可以花俩小时看看这个python教程
https://pan.baidu.com/s/139i6QEMFdBuG7EmK8SwhFg
提取码：176t
上代码：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
np.random.seed(1377)

~这一段主要是导入一些库，如果没安装的话百度安装方法
~numpy是一个运行速度非常快的数学库，主要用于数组计算
~keras就是主角啦，一个简便强大的神经网络搭建框架，后端有Tensorflow和Theano以及CNTK
~matplotlib主要是用于绘图的库
~random.seed用于产生随机数

#creat some data
X1=np.linspace(-1,1,200)
np.random.shuffle(X1)
Y=0.5*X1+2+np.random.normal(0,0.05,(200,))
#plot
plt.scatter(X1,Y)
plt.show()

~这一段就是用于产生本次实验的数据集了，X1在-1到1之间取200个数并且打乱次序
~再建立一个Y与X1的关系
~random.normal是正态分布函数，均值为0，标准差为0.05，输出的shape为(200,)，结果就是Y≈0.5*X1+2
~最后绘图如下

X1_train,Y_train=X1[:160],Y[:160]
X1_test,Y_test=X1[160:],Y[160:]

~这两句将产生的数据集前80%纳为训练集，后20%纳为测试集（一般都是8,2分）
~下面开始来真正的搭建神经网络：

model=Sequential()
model.add(Dense(output_dim=1,input_dim=1))
model.compile(loss="mean_squared_error",optimizer='sgd')

~该模型采用Sequential顺序结构，一层连接一层
~通过model.add来添加层，此处添加一个Dense(全连接层)，output_dim(单次输出个数)=1，input_dim(单次输入个数)=1
~model.compile来定义其他参数，loss(损失函数)=mse(用均方误差测损失值)，optimizer（优化器）=‘sgd’（随机梯度下降优化器）
~至此，一个最简单的人工神经网络就搭建完成了，接下来就是训练网络

print("Traing..........")
for i in range(301):
    loss=model.train_on_batch(X1_train,Y_train)
    if i%50==0:
        print('train loss:',loss)

~训练的时候我们把input，output都告诉网络（Supervised learing）
~通过model.train_on_batch训练网络，他会返回该次训练的损失值
~训练301次，每50次打印一次’train loss值

print('\nTesting........')
loss=model.evaluate(X1_test,Y_test,batch_size=160)
print('test loss:',loss)
W,b=model.layers[0].get_weights()
print('W:',W,'\nb:',b)

~这一段是测试部分，评估训练后的网络在测试集的表现情况（用evaluate评估）
~因为我们只建立了一层（input和output不计入其中），实际建立的就是一个Y=W*x+b的function,训练后W越接近0.5，b越接近2说明效果较好

Y_pred=model.predict(X1_test)
plt.scatter(X1_test,Y_test)
plt.plot(X1_test,Y_pred)
plt.show()

~这一段是通过X1的测试集预测输出的Y值（这才是我们常常关心的地方），看是否和Y_test很接近（上面的test loss也有相同作用）
~一起来看看训练效果吧

~W和b都分别接近于0.5和2

~直线纵坐标为网络预测的输出，离散的点的纵坐标表示真实的输出
~入门实例一就到这了，如有错误请留言
~源于莫烦