Python實(shí)現(xiàn)Keras搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類模型的方法-創(chuàng)新互聯(lián)

這篇文章將為大家詳細(xì)講解有關(guān)Python實(shí)現(xiàn)Keras搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類模型的方法，小編覺得挺實(shí)用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

創(chuàng)新互聯(lián)公司是一家集網(wǎng)站建設(shè),洪山企業(yè)網(wǎng)站建設(shè),洪山品牌網(wǎng)站建設(shè),網(wǎng)站定制,洪山網(wǎng)站建設(shè)報價,網(wǎng)絡(luò)營銷,網(wǎng)絡(luò)優(yōu)化,洪山網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強(qiáng)企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅(jiān)持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。

注釋講解版：

# Classifier example

import numpy as np
# for reproducibility
np.random.seed(1337)
# from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import RMSprop

# 程序中用到的數(shù)據(jù)是經(jīng)典的手寫體識別mnist數(shù)據(jù)集
# download the mnist to the path if it is the first time to be called
# X shape (60,000 28x28), y
# (X_train, y_train), (X_test, y_test) = mnist.load_data()
# 下載minst.npz：
# 鏈接: https://pan.baidu.com/s/1b2ppKDOdzDJxivgmyOoQsA
# 提取碼: y5ir
# 將下載好的minst.npz放到當(dāng)前目錄下
path='./mnist.npz'
f = np.load(path)
X_train, y_train = f['x_train'], f['y_train']
X_test, y_test = f['x_test'], f['y_test']
f.close()

# data pre-processing
# 數(shù)據(jù)預(yù)處理
# normalize
# X shape (60,000 28x28)，表示輸入數(shù)據(jù) X 是個三維的數(shù)據(jù)
# 可以理解為 60000行數(shù)據(jù)，每一行是一張28 x 28 的灰度圖片
# X_train.reshape(X_train.shape[0], -1)表示：只保留第一維，其余的緯度，不管多少緯度，重新排列為一維
# 參數(shù)-1就是不知道行數(shù)或者列數(shù)多少的情況下使用的參數(shù)
# 所以先確定除了參數(shù)-1之外的其他參數(shù)，然后通過(總參數(shù)的計(jì)算) / (確定除了參數(shù)-1之外的其他參數(shù)) = 該位置應(yīng)該是多少的參數(shù)
# 這里用-1是偷懶的做法,等同于 28*28
# reshape后的數(shù)據(jù)是：共60000行，每一行是784個數(shù)據(jù)點(diǎn)（feature）
# 輸入的 x 變成 60,000*784 的數(shù)據(jù)，然后除以 255 進(jìn)行標(biāo)準(zhǔn)化
# 因?yàn)槊總€像素都是在 0 到 255 之間的，標(biāo)準(zhǔn)化之后就變成了 0 到 1 之間
X_train = X_train.reshape(X_train.shape[0], -1) / 255
X_test = X_test.reshape(X_test.shape[0], -1) / 255
# 分類標(biāo)簽編碼
# 將y轉(zhuǎn)化為one-hot vector
y_train = np_utils.to_categorical(y_train, num_classes = 10)
y_test = np_utils.to_categorical(y_test, num_classes = 10)

# Another way to build your neural net
# 建立神經(jīng)網(wǎng)絡(luò)
# 應(yīng)用了2層的神經(jīng)網(wǎng)絡(luò)，前一層的激活函數(shù)用的是relu，后一層的激活函數(shù)用的是softmax
#32是輸出的維數(shù)
model = Sequential([
  Dense(32, input_dim=784),
  Activation('relu'),
  Dense(10),
  Activation('softmax')
])

# Another way to define your optimizer
# 優(yōu)化函數(shù)
# 優(yōu)化算法用的是RMSprop
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)

# We add metrics to get more results you want to see
# 不自己定義，直接用內(nèi)置的優(yōu)化器也行，optimizer='rmsprop'
#激活模型：接下來用 model.compile 激勵神經(jīng)網(wǎng)絡(luò)
model.compile(
  optimizer=rmsprop,
  loss='categorical_crossentropy',
  metrics=['accuracy']
)

print('Training------------')
# Another way to train the model
# 訓(xùn)練模型
# 上一個程序是用train_on_batch 一批一批的訓(xùn)練 X_train, Y_train
# 默認(rèn)的返回值是 cost，每100步輸出一下結(jié)果
# 輸出的樣式與上一個程序的有所不同，感覺用model.fit()更清晰明了
# 上一個程序是Python實(shí)現(xiàn)Keras搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練回歸模型：
# https://blog.csdn.net/weixin_45798684/article/details/106503685
model.fit(X_train, y_train, nb_epoch=2, batch_size=32)

print('\nTesting------------')
# Evaluate the model with the metrics we defined earlier
# 測試
loss, accuracy = model.evaluate(X_test, y_test)

print('test loss:', loss)
print('test accuracy:', accuracy)

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

網(wǎng)站標(biāo)題：Python實(shí)現(xiàn)Keras搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類模型的方法-創(chuàng)新互聯(lián)
當(dāng)前網(wǎng)址：http://muchs.cn/article30/dcjspo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開發(fā)、搜索引擎優(yōu)化、面包屑導(dǎo)航、網(wǎng)站改版、網(wǎng)站排名、全網(wǎng)營銷推廣

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)