#encoding=utf-8 import numpy as np from keras.models import Sequential from keras.layers import Dense,Activation#激活函数可以通过设置单独的激活层实现,也可以在构造层对象时通过传递activation参数实现。 from keras.optimizers import SGD#随机梯度下降法,支持动量参数,支持学习衰减率,支持Nesterov动量。 ''' 快速开始序贯(Sequential)模型 序贯模型是多个网络层的线性堆叠,也就是“一条路走到黑”。 可以通过向Sequential模型传递一个layer的list来构造该模型: from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, units=784), Activation('relu'), Dense(10), Activation('softmax'), ]) 也可以通过.add()方法一个个的将layer加入模型中: model = Sequential() model.add(Dense(32, input_shape=(784,))) model.add(Activation('relu')) 指定输入数据的shape 模型需要知道输入数据的shape,因此,Sequential的第一层需要接受一个关于输入数据shape的参数, 后面的各个层则可以自动的推导出中间数据的shape,因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的shape 传递一个input_shape的关键字参数给第一层,input_shape是一个tuple类型的数据,其中也可以填入None, 如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。 有些2D层,如Dense,支持通过指定其输入维度input_dim来隐含的指定输入数据shape。 一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。 如果你需要为输入指定一个固定大小的batch_size(常用于stateful RNN网络), 可以传递batch_size参数到一个层中,例如你想指定输入张量的batch大小是32,数据shape是(6,8), 则你需要传递batch_size=32和input_shape=(6,8)。 model = Sequential() model.add(Dense(32, input_dim=784)) model = Sequential() model.add(Dense(32, input_shape=784)) 编译 在训练模型之前,我们需要通过compile来对学习过程进行配置。compile接收三个参数: 优化器optimizer:该参数可指定为已预定义的优化器名,如rmsprop、adagrad,或一个Optimizer类的对象. 损失函数loss:该参数为模型试图最小化的目标函数,它可为预定义的损失函数名,如categorical_crossentropy、mse,也可以为一个损失函数。详情见losses 指标列表metrics:对分类问题,我们一般将该列表设置为metrics=['accuracy']。 指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量, 或一个完成metric_name - > metric_value映射的字典 ''' def main(): from sklearn.datasets import load_iris iris = load_iris() print(iris["target"]) from sklearn.preprocessing import LabelBinarizer print LabelBinarizer().fit_transform(iris["target"]) from sklearn.model_selection import train_test_split train_data, test_data, train_traget, test_target = train_test_split(iris.data, iris.target, test_size=0.2,random_state=1) labels_train = LabelBinarizer().fit_transform(train_traget) labels_test = LabelBinarizer().fit_transform(test_target) model= Sequential([ Dense(5,input_dim=4), Activation("relu"),#激活函数 Dense(3), Activation("sigmoid"),#激活函数自己看去。 ]) sgd = SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True) model.compile(optimizer=sgd,loss="categorical_crossentropy") model.fit(train_data,labels_train,nb_epoch=200,batch_size=40) print(model.predict_classes(test_data)) model.save_weights("./python_source/w") model.load_weights("./python_source/w") #使用这个是会出现错误提示缺少h5py,直接pip install h5py 就可以了。 if __name__ == '__main__': main()
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:keras 实现人工神经网络 - Python技术站