python神经网络学习使用Keras进行简单分类
目录
- 学习前言
- Keras中分类的重要函数
- 1、np_utils.to_categorical
- 2、Activation
- 3、metrics=[‘accuracy’]
- 全部代码
学习前言
上一步讲了如何构建回归算法,这一次将怎么进行简单分类。
Keras中分类的重要函数
1、np_utils.to_categorical
np_utils.to_categorical用于将标签转化为形如(nb_samples, nb_classes)的二值序列。
假设num_classes = 10。
如将[1,2,3,……4]转化成:
[[0,1,0,0,0,0,0,0]
[0,0,1,0,0,0,0,0]
[0,0,0,1,0,0,0,0]
……
[0,0,0,0,1,0,0,0]]
这样的形态。
如将Y_train转化为二值序列,可以用如下方式:
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
2、Activation
Activation是激活函数,一般在每一层的输出使用。
当我们使用Sequential模型构建函数的时候,只需要在每一层Dense后面添加Activation就可以了。
Sequential函数也支持直接在参数中完成所有层的构建,使用方法如下。
model = Sequential([ Dense(32,input_dim = 784), Activation("relu"), Dense(10), Activation("softmax") ] )
其中两次Activation分别使用了relu函数和softmax函数。
3、metrics=[‘accuracy’]
在model.compile中添加metrics=[‘accuracy’]表示需要计算分类精确度,具体使用方式如下:
model.compile( loss = 'categorical_crossentropy', optimizer = rmsprop, metrics=['accuracy'] )
全部代码
这是一个简单的仅含有一个隐含层的神经网络,用于完成手写体识别。在本例中,使用的优化器是RMSprop,具体可以使用的优化器可以参照Keras中文文档。
import numpy as np from keras.models import Sequential from keras.layers import Dense,Activation ## 全连接层 from keras.datasets import mnist from keras.utils import np_utils from keras.optimizers import RMSprop # 获取训练集 (X_train,Y_train),(X_test,Y_test) = mnist.load_data() # 首先进行标准化 X_train = X_train.reshape(X_train.shape[0],-1)/255 X_test = X_test.reshape(X_test.shape[0],-1)/255 # 计算categorical_crossentropy需要对分类结果进行categorical # 即需要将标签转化为形如(nb_samples, nb_classes)的二值序列 Y_train = np_utils.to_categorical(Y_train,num_classes= 10) Y_test = np_utils.to_categorical(Y_test,num_classes= 10) # 构建模型 model = Sequential([ Dense(32,input_dim = 784), Activation("relu"), Dense(10), Activation("softmax") ] ) rmsprop = RMSprop(lr = 0.001,rho = 0.9,epsilon = 1e-08,decay = 0) ## compile model.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy']) print("\ntraining") cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32) print("\nTest") cost,accuracy = model.evaluate(X_test,Y_test) ## W,b = model.layers[0].get_weights() print("accuracy:",accuracy)
实验结果为:
Epoch 1/2 60000/60000 [==============================] - 12s 202us/step - loss: 0.3512 - acc: 0.9022 Epoch 2/2 60000/60000 [==============================] - 11s 183us/step - loss: 0.2037 - acc: 0.9419 Test 10000/10000 [==============================] - 1s 108us/step accuracy: 0.9464
以上就是python神经网络学习使用Keras进行简单分类的详细内容,更多关于python神经网络Keras分类的资料请关注我们其它相关文章!
赞 (0)