小编给大家分享一下使用keras实现非线性回归的方法，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

我就废话不多说了，大家还是直接看代码吧~

import kerasimport numpy as npimport matplotlib.pyplot as plt#Sequential 按顺序构成的模型from keras.models import Sequential#Sequential是模型结构，输入层，隐藏层，输出层#Dense 全连接层,Activation激活函数from keras.layers import Dense,Activationfrom keras.optimizers import SGD x_data=np.linspace(-0.5,0.5,200)#从-0.5到0.5范围内生成200个随机点noise=np.random.normal(0,0.02,x_data.shape)#生成和x_data形状一样的噪声y_data=np.square(x_data)+noise #显示随机点#plt.scatter(x_data,y_data)#plt.show() #构建一个顺序模型model=Sequential() #1-10-1，添加一个隐藏层model.add(Dense(units=10,input_dim=1,activation='relu'))#units是隐藏层，输出维度，输出y，input_dim是输入维度，输入x#model.add(Activation('tanh'))#给这一层添加一个双曲正切激活函数tanh函数model.add(Dense(units=1,input_dim=10,activation='relu'))#input_dim可以不写，它可以识别到上一句的输出是10维#model.add(Activation('tanh'))#给这一层添加一个双曲正切激活函数tanh函数#定义优化器sgd=SGD(lr=0.3)#学习率提高到0.3，训练速度会加快 model.compile(optimizer=sgd,loss='mse')#编译这个模型，sgd是随机梯度下降法，优化器.mse是均方误差 #训练模型for step in range(5001): #每次训练一个批次 cost=model.train_on_batch(x_data,y_data)#代价函数的值，其实就是loss #每500个batch打印一次cost值 if step %500==0: print('cost:',cost) #打印权值和偏置值W,b=model.layers[0].get_weights()#线性回归，只有一层print('W:',W,'b:',b) #x_data输入网络中，得到预测值y_predy_pred=model.predict(x_data) #显示随机点splt.scatter(x_data,y_data)#显示预测结果plt.plot(x_data,y_pred,'r-',lw=3)#r-表示红色的线，lw表示线宽plt.show()

结果：

cost: 0.0077051604cost: 0.0004980223cost: 0.00047812634cost: 0.00047762066cost: 0.00047761563cost: 0.00047761557cost: 0.0004776156cost: 0.0004776156cost: 0.0004776156cost: 0.00047761566cost: 0.0004776156W: [[ 0.37828678 0.37509003 0.1847014 -0.46519393 -0.6347979 -0.70865685 0.55382997 -0.66780925 0.08229994 0.5980157 ]] b: [-0.00412499 -0.01216194 0.01939214 -0.03005166 -0.00475936 -0.00794064 -0.00015427 -0.01620528 0.08056344 -0.01741577]

看完了这篇文章，相信你对使用keras实现非线性回归的方法有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！