免责声明：接触Keras的时间并不长，本文主要用于记录在搭建第一个神经网络模型过程中遇到的问题，以及自己的一些感触，仅适合新手对Keras有一个初步的认识，以及提供一个上手的测试方法，在进行测试之前请事先安装好所需要的python环境以及相应模块。

--需要模块

matplotlib：用来画图的，可以直接在终端中使用 pip install matplotlib安装，或者在设置-项目-解释器中搜索安装

tensorflow：本次的内容主题，可以在tensorflow官网中安装，也可以直接参考这篇文章http://t.csdn.cn/NqsoWhttp://t.csdn.cn/NqsoW

在安装完成之后可以输出tensorflow的版本号测试是否安装成功

import tensorflow as tf
print(tf.__version__)

sklearn：sklearn模块用的不多，在这里我们只会用到  train_test_split（训练测试分离模块）

--Begin

首先我们需要获取神经网络需要的数据集，为了方便理解，我们这里以

为例

----获取测试样本

start = -1000
stop = 1000
step = 1
x = [x / 10 for x in range(start * 10, stop * 10, step)]
y = [6*i-4 for i in x]

注意：样本的取值要具有标记性，而且要全面，如果想预测函数关系，要把正数、负数、小数全都涉及到。 

简单画个图：

plt.plot(x,y)
plt.xlabel('x')
plt.ylabel('y')

众所周知，训练神经网络需要有训练集和测试集，所以我们需要将这1000个样本进行划分，这时候就需要用到sklearn中的train_test_split模块来划分数据集了 ，train_test_split可以参考这个http://t.csdn.cn/Uhty5http://t.csdn.cn/Uhty5

换成人话就是你 给了这个函数训练集、分割比、随机数种子，这个函数就能够返回分割后的训练集和测试集。

---

from sklearn.model_selection import train_test_split
train_x,val_x,train_y,val_y = train_test_split(x,y,test_size =0.2,random_state = 42)

 👆这里是按照8：2的比例将样本分割，随机数种子42随便取的👆

---

画个图看看：

---

plt.figure(2)
plt.plot(train_x,train_y)
plt.xlabel('x1')
plt.ylabel('y1')
plt.figure(3)
plt.plot(val_x,val_y)
plt.xlabel('x2')
plt.ylabel('y2')

 

---

----搭建模型

     有两种方式搭建：

---

      一种是声明Sequential模型的时候就直接添加好每层神经元：

model = keras.Sequential(
    [keras.layers.Dense(16,activation='relu',input_dim=1),
    keras.layers.Dense(1,activation='linear')]
)

---

 另一种是先声明Sequential模型，之后根据实际情况添加

model = keras.Sequential()
model.add(keras.layers.Dense(16, activation='relu', input_dim=1))
model.add(keras.layers.Dense(1, activation='linear'))

---

 注意！！！

使用第一种方法的时候，那个中括号一定别忘记（这个地方很容易忘记）

解释一下，Sequential是keras中的api，能够方便快捷的创建一个神经网络模型，keras提供了8种神经网络接口层：

# - `Dense`：全连接层，每个神经元与上一层的所有神经元相连接。
# - `Conv2D`：二维卷积层，用于处理图像和空间数据。
# - `MaxPooling2D`：二维最大池化层，用于降低图像或空间数据的维度。
# - `Dropout`：随机失活层，用于防止过拟合。
# - `Activation`：激活函数层，对输入数据进行激活函数的计算。
# - `BatchNormalization`：批标准化层，用于加速模型训练过程。
# - `Flatten`：扁平层，用于将多维的输入数据展平为一维。
# - `LSTM`：长短时记忆网络层，用于处理序列数据。

每个神经元层的参数可以参考tensorflow官方文档下提供的API 接口：

 Module: tf.keras  |  TensorFlow v2.13.0 (google.cn)

这里我们使用的是Dense全连接层来进行操作，具体上手可以根据需要合理选择。

Dense有三个参数：神经元个数，激活函数，输入数据的维度，在本例中使用神经网络进行拟合，输入数据为一维，所以输入1即可。

---

注意：

---

x: Input data. It could be:
              - A Numpy array (or array-like), or a list of arrays
                (in case the model has multiple inputs).
              - A TensorFlow tensor, or a list of tensors
                (in case the model has multiple inputs).
              - A dict mapping input names to the corresponding array/tensors,
                if the model has named inputs.
              - A `tf.data` dataset. Should return a tuple
                of either `(inputs, targets)` or
                `(inputs, targets, sample_weights)`.
              - A generator or `keras.utils.Sequence` returning `(inputs,
                targets)` or `(inputs, targets, sample_weights)`.
              - A `tf.keras.utils.experimental.DatasetCreator`, which wraps a
                callable that takes a single argument of type
                `tf.distribute.InputContext`, and returns a `tf.data.Dataset`.
                `DatasetCreator` should be used when users prefer to specify the
                per-replica batching and sharding logic for the `Dataset`.
                See `tf.keras.utils.experimental.DatasetCreator` doc for more
                information.
              A more detailed description of unpacking behavior for iterator
              types (Dataset, generator, Sequence) is given below. If these
              include `sample_weights` as a third component, note that sample
              weighting applies to the `weighted_metrics` argument but not the
              `metrics` argument in `compile()`. If using
              `tf.distribute.experimental.ParameterServerStrategy`, only
              `DatasetCreator` type is supported for `x`.

 查看Dense函数的源码中会有形参的类型要求，在搭建模型的时候需要注意！！！

 避免传入的参数出错，导致结果不符合预期。 

---

 ----编译模型

#编译神经网络模型
model.compile(optimizer='adam',loss='mean_squared_error',metrics=['mean_absolute_error'])

---

在完成模型搭建之后就可以使用compile函数来进行编译，在这里compile的三个参数含义分别为：

optimizer：优化器类型，有adam，sgd（梯度）等

loss：损失函数，有mean_squared_error（均方误差），binary_crossentropy等

metrics：评价指标，即用来评价拟合好坏使用的方式，这里使用的仍然是均方误差作为标准。

---

----训练模型

#训练模型
model.fit(train_x,train_y,batch_size=32,epochs=40,validation_data=(val_x,val_y))
#保存模型
model.save('model.h5')

---

使用 fit 函数进行模型训练，输入我们使用的训练样本以及测试样本，参数解释如下：

batch_size: 每个训练批次的样本数量

epochs：训练的批次

validation_data: 验证集

---

----预测结果

     注意预测结果的输入也要是numpy数组

    OK, 结果基本一致！！

---

···一点牢骚

在实际应用中，神经网络往往需要更加复杂的调整，比如神经元的深度，每个隐含层神经元的数目，加入正则化防止过拟合（L1,L2等），比简单拟合一个线性关系复杂的多。例如在做完这个拟合线性关系之后我尝试拟合了很久二次函数关系，但是拟合的效果都不是很好，咨询老师也只是让我自己去看论坛。。

算了，反正还有时间慢慢学😀

----代码

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import numpy as np

# 准备数据集
# 使用函数 y = x^2 - 1 作为数据集
start = -1000
stop = 1000
step = 1
x = [x / 10 for x in range(start * 10, stop * 10, step)]
y = [6*i-4 for i in x]

plt.figure(1)
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('y')
# 将设置的标签显示在图表中
rand_ratio = 0.8
train_x, val_x, train_y, val_y = train_test_split(x, y, test_size=0.2, random_state=42)

# random_state为随机数种子

train_x = np.array(train_x)
train_y = np.array(train_y)
val_x = np.array(val_x)
val_y = np.array(val_y)
model = keras.Sequential(
    [keras.layers.Dense(16, input_dim=1, activation='relu'),
     keras.layers.Dense(1, activation='linear')]
)
# 编译神经网络模型
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_absolute_error', 'accuracy'])
# 训练模型
model.fit(train_x, train_y, epochs=40, validation_data=(val_x, val_y))
# 预测结果
x_test = [i for i in range(100, 200)]
#转换成numpy数组
x_test = np.array(x_test)
y_predict = []
y_predict_t = model.predict(x_test)
print(y_predict_t)
for i in y_predict_t:
    for j in i:
        y_predict.append(j)
print(y_predict)
y_ture = [6 * i - 4 for i in x_test]
plt.figure(2)
plt.plot(x_test, y_ture, label='True', color='red')
plt.plot(x_test, y_predict, label='Predict', color='blue')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(['True', 'Predict'])
plt.show()