使用Keras来实现多层感知机¶
我们以加州的住房问题为例，并使用回归神经网络来进行预测。我们使用Scikit-Learn的fetch_california_housing()函数来加载数据。这个数据集只包含数值特征，并且没有缺失值。加载数据集后，我们将其分成训练集、验证集和测试集，并且对所有特征进行缩放:
# 导入库
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 获得数据
housing = fetch_california_housing()
# 将数据集分为训练集，验证集，测试集
X_train_full, X_test, y_train_full, y_test = train_test_split(housing.data, housing.target, random_state=42)
X_train, X_valid, y_train, y_valid = train_test_split(X_train_full, y_train_full, random_state=42)
# 对特征进行缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_valid = scaler.transform(X_valid)
X_test = scaler.transform(X_test)
使用顺序API来构建、训练、评估，并使用回归MLP来进行预测，这与我们对分类MLP所做的非常类似。主要的区别是输出层只有一个神经元(因为我们只想预测一个值)，而且我们没有使用激活函数，使用损失函数是均方误差。因为数据集噪声比较大，我们只使用一个比之前神经元少的隐藏层，以避免过拟合:
np.random.seed(42)
tf.random.set_seed(42)
model = keras.models.Sequential([
keras.layers.Dense(30, activation="relu", input_shape=X_train.shape[1:]),
keras.layers.Dense(1)
])
model.compile(loss="mean_squared_error", optimizer=keras.optimizers.SGD(lr=1e-3))
history = model.fit(X_train, y_train, epochs=20, validation_data=(X_valid, y_valid))
mse_test = model.evaluate(X_test, y_test)
X_new = X_test[:3]
y_pred = model.predict(X_new)
