tensorflow采用keras序列模型，实现波士顿房价预测问题的建模与训练

好的，下面是用Keras序列模型实现波士顿房价预测问题的建模与训练的步骤：

1. 导入需要的库和数据集

import numpy as np
from keras.datasets import boston_housing
from keras.models import Sequential
from keras.layers import Dense

# 导入波士顿房价数据集
(x_train, y_train), (x_test, y_test) = boston_housing.load_data()

2. 数据预处理

# 标准化数据
mean = x_train.mean(axis=0)
std = x_train.std(axis=0)

x_train -= mean
x_train /= std

x_test -= mean
x_test /= std

# 将房价转化为 1000 美元为单位
y_train *= 1000
y_test *= 1000

3. 构建Keras序列模型

model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(13,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(1))

4. 编译模型

model.compile(loss='mse', optimizer='rmsprop', metrics=['mae'])

5. 训练模型

history = model.fit(x_train, y_train, epochs=100, batch_size=16,
                    validation_split=0.2, verbose=0)

6. 评估模型

test_mse_score, test_mae_score = model.evaluate(x_test, y_test)

print('Test MAE:', test_mae_score)

通过以上六步，我们可以使用Keras序列模型完成波士顿房价预测问题的建模与训练。