學(xué)習(xí)前言

看了好多Github，用于保存模型的庫都是Keras，我覺得還是好好學(xué)習(xí)一下的好

什么是Keras

Keras是一個(gè)由Python編寫的開源人工神經(jīng)網(wǎng)絡(luò)庫，可以作Tensorflow、Microsoft-CNTK和Theano的高階應(yīng)用程序接口，進(jìn)行深度學(xué)習(xí)模型的設(shè)計(jì)、調(diào)試、評(píng)估、應(yīng)用和可視化。

Keras相當(dāng)于比Tensorflow和Theano更高一層的庫，其可以以Tensorflow或者Theano為底層框架，以更加簡(jiǎn)潔、高效的方式添加代碼。

在2018年Tensorflow 2.0.0公開后，Keras被正式確立為Tensorflow高階API。

Keras中基礎(chǔ)的重要函數(shù)

1、Sequential

Sequential又稱為序貫?zāi)Ｐ汀?/p>

序貫?zāi)Ｐ蜑樽詈?jiǎn)單的線性、從頭到尾的結(jié)構(gòu)順序，不分叉，是多個(gè)網(wǎng)絡(luò)層的線性堆疊。

在利用Keras進(jìn)行模型構(gòu)建前，只需要用如下函數(shù)建立模型就夠了。

model = Sequential()

此時(shí)便已經(jīng)建立了一個(gè)按次序的模型，之后在往模型中添加層的時(shí)候，就是按照次序添加的。

2、Dense

Dense用于往Sequential中添加全連接層。全連接層示意圖如下。（圖片源自百度百科）

具體而言，簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)中，輸入層到隱含層中間的權(quán)值連接，其實(shí)與全連接層的意義相同。
在Keras中，如果需要往model中添加全連接層，可使用如下函數(shù)。

model.add(Dense(output_dim = 1,input_dim = 1))

此時(shí)表示輸入維度為1，輸出維度也為1。

3、model.compile

model.compile在Keras中的作用主要用于定義loss函數(shù)和優(yōu)化器。

其調(diào)用方式如下：

model.compile(loss='mse', optimizer='sgd', metrics=['accuracy'])

其中l(wèi)oss用于定義計(jì)算損失的損失函數(shù)，其可以選擇的內(nèi)容如下：
1、mse：均方根誤差，常用于回歸預(yù)測(cè)。

2、categorical_crossentropy：亦稱作多類的對(duì)數(shù)損失，注意使用該目標(biāo)函數(shù)時(shí)，需要將標(biāo)簽轉(zhuǎn)化為形如(nb_samples, nb_classes)的二值序列，常用于分類。

3、sparse_categorical_crossentrop：如上，但接受稀疏標(biāo)簽。

optimizer用于定義優(yōu)化器，可以使用默認(rèn)的，也可以從keras.optimizers導(dǎo)出。

其可以選擇的內(nèi)容可以參照Keras中文文檔。上文中選擇的是隨機(jī)梯度下降法sgd。

metrics=[‘accuracy’]常用于分類運(yùn)算中，本例子中不適用，accuracy代表計(jì)算分類精確度。

全部代碼

該例子為一元線性回歸例子。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense  ## 全連接層
import matplotlib.pyplot as plt 
# 生成測(cè)試數(shù)據(jù)
X = np.linspace(-1,1,200)
np.random.shuffle(X)
Y = 0.5*X + 2 + np.random.normal(0,0.05,(200,))
# 劃分訓(xùn)練集和測(cè)試集
X_train,Y_train = X[:160],Y[:160]
X_test,Y_test = X[160:],Y[160:]
# start
model = Sequential()
model.add(Dense(output_dim = 1,input_dim = 1))
# compile
model.compile(loss = 'mse',optimizer = 'sgd')
# 訓(xùn)練
print("\ntraining")
for step in range(2001):
    cost = model.train_on_batch(X_train,Y_train)
    if step%100 == 0:
        print("tarin_cost:",cost)
# 測(cè)試
print("\nTest")
cost = model.evaluate(X_test,Y_test,batch_size=40)
W,b = model.layers[0].get_weights()
print("Weights",W,"biaxes",b)
# 預(yù)測(cè)結(jié)果
Y = model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y)
plt.show()

實(shí)現(xiàn)結(jié)果為：

tarin_cost: 4.506874
tarin_cost: 0.21098542
tarin_cost: 0.041809298
tarin_cost: 0.013134768
tarin_cost: 0.0055761375
tarin_cost: 0.0035068158
tarin_cost: 0.0029388934
tarin_cost: 0.002783
tarin_cost: 0.0027402083
tarin_cost: 0.002728462
tarin_cost: 0.0027252387
tarin_cost: 0.0027243525
tarin_cost: 0.0027241106
tarin_cost: 0.0027240426
tarin_cost: 0.002724025
tarin_cost: 0.0027240203
tarin_cost: 0.0027240184
tarin_cost: 0.0027240182
tarin_cost: 0.0027240175
tarin_cost: 0.0027240175
tarin_cost: 0.0027240175
Test
40/40 [==============================] - 0s 874us/step
Weights [[0.5041559]] biaxes [1.9961643]

以上就是python神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)使用Keras進(jìn)行回歸運(yùn)算的詳細(xì)內(nèi)容，更多關(guān)于python神經(jīng)網(wǎng)絡(luò)Keras回歸運(yùn)算的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！