模型定义

from keras import models
from keras import layers

def build_model():
    model = models.Sequential() # 因为需要将同一个模型多次实例化，所以用一个函数来构建模型
    model.add(layers.Dense(64, activation='relu', 
                           input_shape=(train_data.shape[1],)))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(1)) # 无激活函数，标量回归的典型设置
    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
    return  model

与前面分类不同的地方：
1、模型定义在一个函数中，因为需要将同一个模型多次实例化，所以用一个函数来构建模型；
2、注意第一层 input_shape；
3、最后一层只有一个单元，是一个线性层，无激活函数。因为添加激活函数会限制输出范围；
4、编译网络中，损失函数用 mse （均方误差，MSE，mean squared error），表示预测值与目标值之差的平方;
5、监控的指标为 mae（平均绝对误差，MAE，mean absolute error），表示预测值与目标值之差的绝对值。