keras输出预测值和真实值方式

下面是关于“Keras 输出预测值和真实值方式”的完整攻略。

Keras 输出预测值和真实值方式

在Keras中，我们可以使用predict()方法输出模型的预测值。我们也可以使用evaluate()方法输出模型的损失值和指标值。下面是两个示例说明。

示例1：使用predict()方法输出预测值

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

# 创建模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 加载数据
dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")
X = dataset[:,0:8]
Y = dataset[:,8]

# 训练模型
model.fit(X, Y, epochs=150, batch_size=10, verbose=0)

# 输出预测值
predictions = model.predict(X)
print(predictions)

在这个示例中，我们首先使用Sequential()类创建一个新的模型。我们使用Dense()函数添加层到模型中。我们使用compile()方法编译模型。我们使用loadtxt()函数加载数据。我们使用fit()方法训练模型。我们使用predict()方法输出模型的预测值。

示例2：使用evaluate()方法输出损失值和指标值

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

# 创建模型
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 加载数据
dataset = np.loadtxt("pima-indians-diabetes.csv", delimiter=",")
X = dataset[:,0:8]
Y = dataset[:,8]

# 训练模型
model.fit(X, Y, epochs=150, batch_size=10, verbose=0)

# 输出损失值和指标值
scores = model.evaluate(X, Y)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

在这个示例中，我们首先使用Sequential()类创建一个新的模型。我们使用Dense()函数添加层到模型中。我们使用compile()方法编译模型。我们使用loadtxt()函数加载数据。我们使用fit()方法训练模型。我们使用evaluate()方法输出模型的损失值和指标值。