前面两篇文章介绍了Tensorflow，以及用Tensorflow快速上手一个线性回归的项目。
实际上Tensorflow对于机器学习新手来说并不是很友好，Tensorflow自己也有高层API，比如Estimator和tf.data就相对来说更容易上手。
Keras本来是独立的机器学习框架，但已经逐渐被整合进了Tensorflow, 今天我们就来简单上手一下吧。
同样的，为了方便与读者交流，所有源代码都放在了
https://github.com/zht007/tensorflow-practice
1. 创建模拟数据
与上一篇文章一样，我们还是手动创建一组加了噪音的线性数据。为了模拟真实的数据量，这里的数据点有100万个。
注意，100万个点用plt是画不出来的，图中随机采样了250个点
2. Tensorflow方法回顾
与上一篇文章类似，我们可以直接用Tensorflow来训练这个线性回归的模型，但是需要注意的是，由于数据量非常大，通常我们不会将所有的数据一次性全部丢给机器。而会使用batch的方式，分组喂给机器。
这里我们定义一个batch有10个数据。
batch_size = 10
在Session 中，我们也采用了随机采样的方式，每个batch从数据中随机抓取10个点。
结果非常不错。
2. 训练和验证数据分离
在实际的机器学习项目中，我们需要将原始数据分成训练数据和验证数据(甚至还有单独的测试数据)。
这里我们用到了sklearn中的工具，将数据按照7：3的比例进行了分组。
from sklearn.model_selection import train_test_split
x_train, x_eval, y_train, y_eval = train_test_split(x_data,y_true,test_size=0.3)
3. Keras
3.1 import
Sequential 相当于模型的外壳，Dense是全连接的神经元，SGD是随机梯度下降（Stochastic Gradient Descent）Optimizer.
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import SGD
3.2 创建模型
由于线性回归相当于没有激活函数的神经网络，所以只需要一层Dense就可以了。注意输入输出的shape。
model = Sequential()
model.add(Dense(1,input_shape = (1,)))
3.3 设置Optimizer
参数就是学习速率
sgd = SGD(0.001)
3.4 Compile 模型
损失函数compile在了模型中了，'mse'即均方误差(Mean Square Error MSE)。
model.compile(loss='mse', optimizer=sgd, metrics=['mse'])
3.5 训练模型
训练模型超级简单，一句话搞定，循环次数和batch大小也可以定义。
model.fit(x_train, y_train, epochs = 1,batch_size = 32)
3.6 验证模型
提取最终w和b也非常简单，但是注意数据格式和shape
当然，我们也可以用模型来预测验证数据。
总结
Keras训练模型的过程非常直观，简单来说就三步，第一步，搭建模型；第二步，训练模型；第三步，验证模型。