使用Keras构建简单线性回归模型：预测结果异常求助

问题分析 #

你的代码存在三个核心问题，导致模型无法输出正确预测结果：

• 未正确导入模型与层类：直接使用Sequential()和Dense()会触发NameError，这两个类需要从tf.keras.models和tf.keras.layers中导入。
• 输入数据格式不规范：Python列表并非Keras最优输入格式，可能导致训练过程中数据处理异常，影响收敛效果。
• 训练参数设置不足：当前学习率（0.005）过小、训练轮次（100）不足，模型还未收敛到最优权重（目标权重应为接近10的系数，偏置接近0）。

修复后的代码 #

import numpy as np
import tensorflow as tf
from tensorflow import keras

# 将列表转为numpy数组，指定float32类型适配Keras输入要求
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=np.float32)
y = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100], dtype=np.float32)

# 正确导入并初始化模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(units=1, input_shape=(1,)))

# 调整学习率，改用自适应效果更好的Adam优化器
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.1), loss='mse')

# 增加训练轮次，确保模型充分收敛
model.fit(x, y, epochs=200, verbose=1)

# 测试输入同样转为numpy数组
x1 = np.array([11, 12, 13], dtype=np.float32)
predy = model.predict(x1)

print("预测结果:", predy)
# 查看模型权重，验证是否接近目标值[10, 0]
print("模型权重:", model.layers[0].get_weights())

关键修改说明 #

1. 修正导入路径：明确指定tf.keras.models.Sequential和tf.keras.layers.Dense，避免命名错误。
2. 规范数据格式：将输入数据转为numpy.ndarray并指定float32类型，符合Keras对输入数据的标准要求。
3. 优化训练参数：
   • 提升学习率至0.1，加快模型收敛速度；
   • 增加训练轮次至200，确保模型足够迭代以拟合y=10x的线性规律；
   • 改用Adam优化器，其自适应学习率特性在简单线性任务中收敛更稳定。

运行修复后的代码，预测结果会接近[[110.], [120.], [130.]]，模型权重也会趋近于[array([[10.]], dtype=float32), array([0.], dtype=float32)]，符合预期的线性回归规律。

内容的提问来源于stack exchange，提问作者solo