日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

python神經網絡學習使用Keras進行簡單分類_python

作者：Bubbliiiing ? 更新時間： 2022-06-28 編程語言

學習前言

上一篇講了如何構建回歸算法，這一次將怎么進行簡單分類。

Keras中分類的重要函數

1、np_utils.to_categorical

np_utils.to_categorical用于將標簽轉化為形如(nb_samples, nb_classes)的二值序列。

假設num_classes = 10。

如將[1,2,3,……4]轉化成：

[[0,1,0,0,0,0,0,0]
[0,0,1,0,0,0,0,0]
[0,0,0,1,0,0,0,0]
……
[0,0,0,0,1,0,0,0]]

這樣的形態。

如將Y_train轉化為二值序列，可以用如下方式：

Y_train = np_utils.to_categorical(Y_train,num_classes= 10)

2、Activation

Activation是激活函數，一般在每一層的輸出使用。

當我們使用Sequential模型構建函數的時候，只需要在每一層Dense后面添加Activation就可以了。

Sequential函數也支持直接在參數中完成所有層的構建，使用方法如下。

model = Sequential([
    Dense(32,input_dim = 784),
    Activation("relu"),
    Dense(10),
    Activation("softmax")
    ]
)

其中兩次Activation分別使用了relu函數和softmax函數。

3、metrics=[‘accuracy’]

在model.compile中添加metrics=[‘accuracy’]表示需要計算分類精確度，具體使用方式如下：

model.compile(
	loss = 'categorical_crossentropy',
	optimizer = rmsprop,
	metrics=['accuracy']
)

全部代碼

這是一個簡單的僅含有一個隱含層的神經網絡，用于完成手寫體識別。在本例中，使用的優化器是RMSprop，具體可以使用的優化器可以參照Keras中文文檔。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Activation ## 全連接層
from keras.datasets import mnist
from keras.utils import np_utils
from keras.optimizers import RMSprop
# 獲取訓練集
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
# 首先進行標準化 
X_train = X_train.reshape(X_train.shape[0],-1)/255
X_test = X_test.reshape(X_test.shape[0],-1)/255
# 計算categorical_crossentropy需要對分類結果進行categorical
# 即需要將標簽轉化為形如(nb_samples, nb_classes)的二值序列
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
# 構建模型
model = Sequential([
    Dense(32,input_dim = 784),
    Activation("relu"),
    Dense(10),
    Activation("softmax")
    ]
)
rmsprop = RMSprop(lr = 0.001,rho = 0.9,epsilon = 1e-08,decay = 0)
## compile
model.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy'])
print("\ntraining")
cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32)
print("\nTest")
cost,accuracy = model.evaluate(X_test,Y_test)
## W,b = model.layers[0].get_weights()
print("accuracy:",accuracy)

實驗結果為：

Epoch 1/2
60000/60000 [==============================] - 12s 202us/step - loss: 0.3512 - acc: 0.9022
Epoch 2/2
60000/60000 [==============================] - 11s 183us/step - loss: 0.2037 - acc: 0.9419
Test
10000/10000 [==============================] - 1s 108us/step
accuracy: 0.9464

原文鏈接：https://blog.csdn.net/weixin_44791964/article/details/101170430

欄目分類
最近更新