Python神经网络入门：使用Keras进行回归分析

许南星

发布时间：2026-10-16| 12人浏览过

原创

本文介绍如何利用Python中的Keras库构建神经网络进行回归运算。Keras作为Tensorflow的高阶API，通过Sequential序贯模型和Dense全连接层简化模型构建。文章详细解析了model.compile中loss函数（如mse）与优化器（如sgd）的配置，并提供了一元线性回归的完整代码示例及运行结果分析。

学习前言

在浏览众多GitHub项目时发现，保存和加载模型的主流库多为Keras，因此深入掌握其用法显得尤为重要。

什么是Keras

Keras是一个基于Python开发的开源人工神经网络库，它可作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，用于深度学习模型的设计、调试、评估、应用及可视化。

Keras可视为比Tensorflow和Theano更高层级的库，它能够以这两者为底层框架，以更简洁高效的代码方式实现功能。

自2018年Tensorflow 2.0.0版本发布后，Keras被正式确立为Tensorflow的高阶API。

Keras中基础的重要函数

1、Sequential

Sequential通常被称为序贯模型。

该模型结构最为简单，呈现为从头到尾的线性结构，无分支，由多个网络层线性堆叠而成。

在使用Keras构建模型前，只需通过以下函数初始化模型即可。

model = Sequential()

此时已创建一个按顺序排列的模型，后续添加网络层时，均按照既定顺序进行。

2、Dense

Dense层用于向Sequential模型中添加全连接层。全连接层的结构示意图如下所示（图片源自百度百科）。

具体而言，在简单的BP神经网络中，输入层到隐含层之间的权值连接机制与全连接层的概念一致。在Keras中，若需向model添加全连接层，可使用如下函数。

model.add(Dense(output_dim = 1,input_dim = 1))

上述代码表示输入维度为1，输出维度同样为1。

3、model.compile

在Keras中，model.compile的主要作用是定义损失函数（loss）和优化器（optimizer）。

其调用方式如下所示：

model.compile(loss='mse', optimizer='sgd', metrics=['accuracy'])

其中loss参数用于定义计算损失的函数，可选内容如下： 1、mse：均方误差，常用于回归预测任务。

2、categorical_crossentropy：即多类对数损失，使用该目标函数时，需将标签转化为形如(nb_samples, nb_classes)的二值序列，常用于分类任务。

3、sparse_categorical_crossentrop：与上述类似，但接受稀疏标签格式。

optimizer参数用于定义优化算法，既可使用默认设置，也可从keras.optimizers模块中导出。

具体可选内容可参考Keras中文文档。上文示例中选择了随机梯度下降法sgd。

metrics=[‘accuracy’]常用于分类运算，用于计算分类精确度；本例为回归任务，故不适用。

全部代码

该示例为一元线性回归的实现。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense  ## 全连接层
import matplotlib.pyplot as plt 
# 生成测试数据
X = np.linspace(-1,1,200)
np.random.shuffle(X)
Y = 0.5*X + 2 + np.random.normal(0,0.05,(200,))
# 划分训练集和测试集
X_train,Y_train = X[:160],Y[:160]
X_test,Y_test = X[160:],Y[160:]
# start
model = Sequential()
model.add(Dense(output_dim = 1,input_dim = 1))
# compile
model.compile(loss = 'mse',optimizer = 'sgd')
# 训练
print("\ntraining")
for step in range(2001):
    cost = model.train_on_batch(X_train,Y_train)
    if step%100 == 0:
        print("tarin_cost:",cost)
# 测试
print("\nTest")
cost = model.evaluate(X_test,Y_test,batch_size=40)
W,b = model.layers[0].get_weights()
print("Weights",W,"biaxes",b)
# 预测结果
Y = model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y)
plt.show()

最终实现结果如下：

tarin_cost: 4.506874
tarin_cost: 0.21098542
tarin_cost: 0.041809298
tarin_cost: 0.013134768
tarin_cost: 0.0055761375
tarin_cost: 0.0035068158
tarin_cost: 0.0029388934
tarin_cost: 0.002783
tarin_cost: 0.0027402083
tarin_cost: 0.002728462
tarin_cost: 0.0027252387
tarin_cost: 0.0027243525
tarin_cost: 0.0027241106
tarin_cost: 0.0027240426
tarin_cost: 0.002724025
tarin_cost: 0.0027240203
tarin_cost: 0.0027240184
tarin_cost: 0.0027240182
tarin_cost: 0.0027240175
tarin_cost: 0.0027240175
tarin_cost: 0.0027240175
Test
40/40 [==============================] - 0s 874us/step
Weights [[0.5041559]] biaxes [1.9961643]