代码：

• 导入库：

import keras
import numpy as np
import matplotlib.pyplot as plt

from keras.models import Sequential # 按顺序构成的模型
from keras.layers import Dense # 全连接层

• 生成随机数

# 使用Numpy生成随机点
x_data = np.random.rand(100)

noise = np.random.normal(0, 0.01, x_data.shape) # 加上噪音
y_data = x_data*0.1 + 0.2 + noise  # 构建 y 的数据

# 显示数据点（散点图）
plt.scatter(x_data, y_data)
plt.show()

• 创建模型并训练

# 构建一个顺序模型
model = Sequential()

# 在模型中添加一个全连接层
model.add(Dense(units=1, input_dim=1)) # 输入1维数据，输出1维数据

# 优化器：sgd:Stochastic gradient descent,随机梯度下降
# 损失函数：mse:Mean Squared Error,均方误差
model.compile(optimizer='sgd', loss='mse')

# 训练5001个批次
for step in range(5001): # 迭代次数越多，结果会越精确
    # 每次训练一个批次
    cost = model.train_on_batch(x_data,y_data)
    # 每500个batch打印一次loss值
    if step%500 == 0:
        print('cost', cost)

# 打印权值和偏置值
W,b = model.layers[0].get_weights()
print('W: ',W,'  b: ',b)


# 用模型进行预测
y_pred = model.predict(x_data)

# 显示随机点
plt.scatter(x_data,y_data)
# 显示预测结果
plt.plot(x_data, y_pred,'r-', lw=3)
plt.show()

总代码：

import keras
import numpy as np
import matplotlib.pyplot as plt

from keras.models import Sequential # 按顺序构成的模型
from keras.layers import Dense # 全连接层

# 使用Numpy生成随机点
x_data = np.random.rand(100)

noise = np.random.normal(0, 0.01, x_data.shape) # 加上噪音
y_data = x_data*0.1 + 0.2 + noise  # 构建 y 的数据

# 显示数据点（散点图）
plt.scatter(x_data, y_data)
plt.show()

# 构建一个顺序模型
model = Sequential()

# 在模型中添加一个全连接层
model.add(Dense(units=1, input_dim=1)) # 输入1维数据，输出1维数据

# 优化器：sgd:Stochastic gradient descent,随机梯度下降
# 损失函数：mse:Mean Squared Error,均方误差
model.compile(optimizer='sgd', loss='mse')

# 训练5001个批次
for step in range(5001): # 迭代次数越多，结果会越精确
    # 每次训练一个批次
    cost = model.train_on_batch(x_data,y_data)
    # 每500个batch打印一次loss值
    if step%500 == 0:
        print('cost', cost)

# 打印权值和偏置值
W,b = model.layers[0].get_weights()
print('W: ',W,'  b: ',b)


# 用模型进行预测
y_pred = model.predict(x_data)

# 显示随机点
plt.scatter(x_data,y_data)
# 显示预测结果
plt.plot(x_data, y_pred,'r-', lw=3)
plt.show()

参考：

视频： 覃秉丰老师的“Keras入门”：http://www.ai-xlab.com/course/32
博客参考：https://www.cnblogs.com/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/