标签：实战 plt predict 学习 X2 np 迁移 data model

简介

实现 二次函数的拟合，然后将新的二次函数进行迁移拟合

code

import numpy as np
import matplotlib.pyplot as plt
def fix_seed(seed=1):
    # reproducible
    np.random.seed(seed)
    
# make up data建立数据
fix_seed(1)
x_data = np.linspace(-5, 5, 100)[:, np.newaxis]  #水平轴-7~10
print(x_data)
#np.random.shuffle(x_data)
noise = np.random.normal(0, 0.1, x_data.shape)
y_data = np.square(x_data) - 5 + noise
print(y_data)


# X = np.sort(x_data,axis=0)
# y = np.sort(y_data,axis=0)

#维度转换
print(x_data.shape,y_data.shape)
X = x_data.reshape(-1,1)
print(X.shape,y_data.shape)
print(X)


# plot input data
plt.scatter(X , y_data)  #将数据绘制图一元二次函数的数据集点
plt.title('')
plt.show()


#建立模型
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model1 = Sequential()
model1.add(Dense(units=50,input_dim=1,activation="relu"))
model1.add(Dense(units=50,activation="relu"))
model1.add(Dense(units=1,activation="linear"))
model1.compile(optimizer="adam",loss="mean_squared_error")  
model1.summary()

#训练模型
model1.fit(X,y_data,epochs=20000)

#预测
y_predict = model1.predict(X)
print(y_predict)


#每训练100次 画一次图
fig2 = plt.figure(figsize=(7,5))
plt.scatter(X, y_data)
plt.plot(X,y_predict,'g')
plt.title('y-x 100 predict')
plt.xlabel("x")
plt.ylabel("y")
plt.show()

# 保存模型
#from sklearn.externals import joblib
# import joblib
#joblib.dump(model1,'model.pkl')
model1.save("my_model")
model1.save_weights("weights.h5")

#from tensorflow import keras
#my_model = keras.models.load_model('my_model')
#my_model.load_weights("weights.h5")

from tensorflow import keras
my_model = keras.models.load_model('my_model')
my_model.load_weights("weights.h5")


#加载新数据
#生成二次函数点
def fix_seed(seed=1):
    # reproducible
    np.random.seed(seed)
 
fix_seed(1)
X2 = np.linspace(-6, 6, 120)[:, np.newaxis]+[2]  #水平轴 + 偏移
print(X2)
#np.random.shuffle(x_data)
noise = np.random.normal(1, 0.5, X2.shape)
y_data2 = np.square(X2) - 10 + noise
print(y_data2)

# plot input data
plt.scatter(X2 , y_data2)  #将数据绘制图一元二次函数的数据集点
plt.title('')
plt.show()


#预测
y2_predict= my_model.predict(X2)


fig3 = plt.figure(figsize=(7,5))
plt.plot(X2,y2_predict,'r')
plt.scatter(X,y_data,label="data1")
plt.scatter(X2, y_data2,label="data2")
plt.title('model predict')
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.show()

my_model.fit(X2,y_data2,epochs=100)

#再预测
y2_predict2 = my_model.predict(X2)

fig4 = plt.figure(figsize=(7,5))
plt.plot(X2,y2_predict2,'r')
plt.scatter(X,y_data,label="data1")
plt.scatter(X2, y_data2,label="data2")
plt.title('model predict epochs = 10')
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.show()

image

标签：实战,plt,predict,学习,X2,np,迁移,data,model
来源： https://www.cnblogs.com/eat-too-much/p/16210414.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。