python神经网络学习使用Keras进行回归运算

目录

  • 学习前言
  • 什么是Keras
  • Keras中基础的重要函数
    • 1、Sequential
    • 2、Dense
    • 3、model.compile
  • 全部代码

    学习前言 看了好多Github,用于保存模型的库都是Keras,我觉得还是好好学习一下的好

    什么是Keras Keras是一个由Python编写的开源人工神经网络库,可以作Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。
    Keras相当于比Tensorflow和Theano更高一层的库,其可以以Tensorflow或者Theano为底层框架,以更加简洁、高效的方式添加代码。
    在2018年Tensorflow 2.0.0公开后,Keras被正式确立为Tensorflow高阶API。

    Keras中基础的重要函数
    1、Sequential
    Sequential又称为序贯模型。
    序贯模型为最简单的线性、从头到尾的结构顺序,不分叉,是多个网络层的线性堆叠。
    在利用Keras进行模型构建前,只需要用如下函数建立模型就够了。
    model = Sequential()

    此时便已经建立了一个按次序的模型,之后在往模型中添加层的时候,就是按照次序添加的。

    2、Dense
    Dense用于往Sequential中添加全连接层。全连接层示意图如下。(图片源自百度百科)
    python神经网络学习使用Keras进行回归运算
    文章图片

    具体而言,简单的BP神经网络中,输入层到隐含层中间的权值连接,其实与全连接层的意义相同。
    在Keras中,如果需要往model中添加全连接层,可使用如下函数。
    model.add(Dense(output_dim = 1,input_dim = 1))

    此时表示输入维度为1,输出维度也为1。

    3、model.compile
    model.compile在Keras中的作用主要用于定义loss函数和优化器。
    其调用方式如下:
    model.compile(loss='mse', optimizer='sgd', metrics=['accuracy'])

    其中loss用于定义计算损失的损失函数,其可以选择的内容如下:
    1、mse:均方根误差,常用于回归预测。
    2、categorical_crossentropy:亦称作多类的对数损失,注意使用该目标函数时,需要将标签转化为形如(nb_samples, nb_classes)的二值序列,常用于分类。
    3、sparse_categorical_crossentrop:如上,但接受稀疏标签。
    optimizer用于定义优化器,可以使用默认的,也可以从keras.optimizers导出。
    其可以选择的内容可以参照Keras中文文档。上文中选择的是随机梯度下降法sgd。
    metrics=[‘accuracy’]常用于分类运算中,本例子中不适用,accuracy代表计算分类精确度。

    全部代码 该例子为一元线性回归例子。
    import numpy as npfrom keras.models import Sequentialfrom keras.layers import Dense## 全连接层import matplotlib.pyplot as plt # 生成测试数据X = np.linspace(-1,1,200)np.random.shuffle(X)Y = 0.5*X + 2 + np.random.normal(0,0.05,(200,))# 划分训练集和测试集X_train,Y_train = X[:160],Y[:160]X_test,Y_test = X[160:],Y[160:]# startmodel = Sequential()model.add(Dense(output_dim = 1,input_dim = 1))# compilemodel.compile(loss = 'mse',optimizer = 'sgd')# 训练print("\ntraining")for step in range(2001):cost = model.train_on_batch(X_train,Y_train)if step%100 == 0:print("tarin_cost:",cost)# 测试print("\nTest")cost = model.evaluate(X_test,Y_test,batch_size=40)W,b = model.layers[0].get_weights()print("Weights",W,"biaxes",b)# 预测结果Y = model.predict(X_test)plt.scatter(X_test,Y_test)plt.plot(X_test,Y)plt.show()

    实现结果为:
    tarin_cost: 4.506874tarin_cost: 0.21098542tarin_cost: 0.041809298tarin_cost: 0.013134768tarin_cost: 0.0055761375tarin_cost: 0.0035068158tarin_cost: 0.0029388934tarin_cost: 0.002783tarin_cost: 0.0027402083tarin_cost: 0.002728462tarin_cost: 0.0027252387tarin_cost: 0.0027243525tarin_cost: 0.0027241106tarin_cost: 0.0027240426tarin_cost: 0.002724025tarin_cost: 0.0027240203tarin_cost: 0.0027240184tarin_cost: 0.0027240182tarin_cost: 0.0027240175tarin_cost: 0.0027240175tarin_cost: 0.0027240175Test40/40 [==============================] - 0s 874us/stepWeights [[0.5041559]] biaxes [1.9961643]

    python神经网络学习使用Keras进行回归运算
    文章图片

    【python神经网络学习使用Keras进行回归运算】以上就是python神经网络学习使用Keras进行回归运算的详细内容,更多关于python神经网络Keras回归运算的资料请关注脚本之家其它相关文章!

      推荐阅读