代码

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

import keras
import numpy as np
import matplotlib.pyplot as plt
 #顺序模型
from keras.models import  Sequential
 #全连接层
from keras.layers import Dense
from keras.optimizers import  SGD

#使用numpy生成100个随机点
x_data = np.linspace(-0.5,0.5,200)
noise = np.random.normal(0,0.01,x_data.shape)
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()
#在模型中添加一个全连接层
model.add(Dense(units=10,input_dim=1,activation='tanh'))
#NOTE:input_dim=10可以省略，Keras默认会赋予正确值
model.add(Dense(units=1,input_dim=10,activation='tanh'))

#提高学习率
sgd = SGD(lr=0.3)
model.compile(optimizer=sgd,loss='mse')



for step in range(3001):
    #每次训练一个批次
    cost = model.train_on_batch(x_data,y_data)
    #每500次打印一下cost值
    if step %500 ==0:
        print("COST",cost)


# x_data输入网络中，得到预测值
y_pred = model.predict(x_data)

#显示随机点
plt.scatter(x_data,y_data)
plt.plot(x_data,y_pred,'r-',3)
plt.show()

　　拟合效果如下：

　　Keras实践：实现非线性回归