Python实现Keras搭建神经网络训练分类模型教程

Python实现Keras搭建神经网络训练分类模型教程

更多python视频教程请到菜鸟教程https://www.piaodoo.com/

我就废话不多说了，大家还是直接看代码吧~

注释讲解版：

# 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

程序中用到的数据是经典的手写体识别mnist数据集

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()

下载minst.npz：

链接: https://pan.baidu.com/s/1b2ppKDOdzDJxivgmyOoQsA

提取码: y5ir

将下载好的minst.npz放到当前目录下

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

数据预处理

normalize

X shape (60,000 28x28)，表示输入数据 X 是个三维的数据

可以理解为 60000行数据，每一行是一张28 x 28 的灰度图片

X_train.reshape(X_train.shape[0], -1)表示：只保留第一维，其余的纬度，不管多少纬度，重新排列为一维

参数-1就是不知道行数或者列数多少的情况下使用的参数

所以先确定除了参数-1之外的其他参数，然后通过(总参数的计算) / (确定除了参数-1之外的其他参数) = 该位置应该是多少的参数

这里用-1是偷懒的做法,等同于 28*28

reshape后的数据是：共60000行，每一行是784个数据点（feature）

输入的 x 变成 60,000*784 的数据，然后除以 255 进行标准化

因为每个像素都是在 0 到 255 之间的，标准化之后就变成了 0 到 1 之间

X_train = X_train.reshape(X_train.shape[0], -1) / 255
X_test = X_test.reshape(X_test.shape[0], -1) / 255

分类标签编码

将y转化为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

建立神经网络

应用了2层的神经网络，前一层的激活函数用的是relu，后一层的激活函数用的是softmax

#32是输出的维数
model = Sequential([
Dense(32, input_dim=784),
Activation(‘relu’),
Dense(10),
Activation(‘softmax’)
])

Another way to define your optimizer

优化函数

优化算法用的是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

不自己定义，直接用内置的优化器也行，optimizer=‘rmsprop’

#激活模型：接下来用 model.compile 激励神经网络
model.compile(
optimizer=rmsprop,
loss=‘categorical_crossentropy’,
metrics=[‘accuracy’]
)

print(‘Training------------’)

Another way to train the model

训练模型

上一个程序是用train_on_batch 一批一批的训练 X_train, Y_train

默认的返回值是 cost，每100步输出一下结果

输出的样式与上一个程序的有所不同，感觉用model.fit()更清晰明了

上一个程序是Python实现Keras搭建神经网络训练回归模型：

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

测试

loss, accuracy = model.evaluate(X_test, y_test)

print(‘test loss:’, loss)
print(‘test accuracy:’, accuracy)

运行结果：

Using TensorFlow backend.

Training------------

Epoch 1/2

32/60000 […] - ETA: 5:03 - loss: 2.4464 - accuracy: 0.0625
864/60000 […] - ETA: 14s - loss: 1.8023 - accuracy: 0.4850
1696/60000 […] - ETA: 9s - loss: 1.5119 - accuracy: 0.6002
2432/60000 [>…] - ETA: 7s - loss: 1.3151 - accuracy: 0.6637
3200/60000 [>…] - ETA: 6s - loss: 1.1663 - accuracy: 0.7056
3968/60000 [>…] - ETA: 5s - loss: 1.0533 - accuracy: 0.7344
4704/60000 [=>…] - ETA: 5s - loss: 0.9696 - accuracy: 0.7564
5408/60000 [=>…] - ETA: 5s - loss: 0.9162 - accuracy: 0.7681
6112/60000 [>…] - ETA: 5s - loss: 0.8692 - accuracy: 0.7804
6784/60000 [>…] - ETA: 4s - loss: 0.8225 - accuracy: 0.7933
7424/60000 [>…] - ETA: 4s - loss: 0.7871 - accuracy: 0.8021
8128/60000 [=>…] - ETA: 4s - loss: 0.7546 - accuracy: 0.8099
8960/60000 [=>…] - ETA: 4s - loss: 0.7196 - accuracy: 0.8183
9568/60000 [=>…] - ETA: 4s - loss: 0.6987 - accuracy: 0.8230
101