python中怎么使用Keras进行回归运算
导读:本文共2322.5字符,通常情况下阅读需要8分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: 什么是KerasKeras是一个由Python编写的开源人工神经网络库,可以作Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。Keras相当于比Tensorflow和Theano更高一层的库,其可以以Tensorflow或者Theano为底层框架,以更加简洁、高效的方式添加代码... ...
目录
(为您整理了一些要点),点击可以直达。什么是Keras
Keras是一个由Python编写的开源人工神经网络库,可以作Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。
Keras相当于比Tensorflow和Theano更高一层的库,其可以以Tensorflow或者Theano为底层框架,以更加简洁、高效的方式添加代码。
在2023年Tensorflow 2.0.0公开后,Keras被正式确立为Tensorflow高阶API。
Keras中基础的重要函数
1、Sequential
Sequential又称为序贯模型。
序贯模型为最简单的线性、从头到尾的结构顺序,不分叉,是多个网络层的线性堆叠。
在利用Keras进行模型构建前,只需要用如下函数建立模型就够了。
model=Sequential()
此时便已经建立了一个按次序的模型,之后在往模型中添加层的时候,就是按照次序添加的。
2、Dense
Dense用于往Sequential中添加全连接层。全连接层示意图如下。(图片源自百度百科)
具体而言,简单的BP神经网络中,输入层到隐含层中间的权值连接,其实与全连接层的意义相同。
在Keras中,如果需要往model中添加全连接层,可使用如下函数。
model.add(Dense(output_dim=1,input_dim=1))
此时表示输入维度为1,输出维度也为1。
3、model.compile
model.compile在Keras中的作用主要用于定义loss函数和优化器。
其调用方式如下:
model.compile(loss='mse',optimizer='sgd',metrics=['accuracy'])
其中loss用于定义计算损失的损失函数,其可以选择的内容如下:
1、mse:均方根误差,常用于回归预测。
2、categorical_crossentropy:亦称作多类的对数损失,注意使用该目标函数时,需要将标签转化为形如(nb_samples, nb_classes)的二值序列,常用于分类。
3、sparse_categorical_crossentrop:如上,但接受稀疏标签。
optimizer用于定义优化器,可以使用默认的,也可以从keras.optimizers导出。
其可以选择的内容可以参照Keras中文文档。上文中选择的是随机梯度下降法sgd。
metrics=[‘accuracy’]常用于分类运算中,本例子中不适用,accuracy代表计算分类精确度。
全部代码
该例子为一元线性回归例子。
importnumpyasnpfromkeras.modelsimportSequentialfromkeras.layersimportDense##全连接层importmatplotlib.pyplotasplt#生成测试数据X=np.linspace(-1,1,200)np.random.shuffle(X)Y=0.5*X+2+np.random.normal(0,0.05,(200,))#划分训练集和测试集X_train,Y_train=X[:160],Y[:160]X_test,Y_test=X[160:],Y[160:]#startmodel=Sequential()model.add(Dense(output_dim=1,input_dim=1))#compilemodel.compile(loss='mse',optimizer='sgd')#训练print("\ntraining")forstepinrange(2001):cost=model.train_on_batch(X_train,Y_train)ifstep%100==0:print("tarin_cost:",cost)#测试print("\nTest")cost=model.evaluate(X_test,Y_test,batch_size=40)W,b=model.layers[0].get_weights()print("Weights",W,"biaxes",b)#预测结果Y=model.predict(X_test)plt.scatter(X_test,Y_test)plt.plot(X_test,Y)plt.show()
实现结果为:
tarin_cost:4.506874tarin_cost:0.21098542tarin_cost:0.041809298tarin_cost:0.013134768tarin_cost:0.0055761375tarin_cost:0.0035068158tarin_cost:0.0029388934tarin_cost:0.002783tarin_cost:0.0027402083tarin_cost:0.002728462tarin_cost:0.0027252387tarin_cost:0.0027243525tarin_cost:0.0027241106tarin_cost:0.0027240426tarin_cost:0.002724025tarin_cost:0.0027240203tarin_cost:0.0027240184tarin_cost:0.0027240182tarin_cost:0.0027240175tarin_cost:0.0027240175tarin_cost:0.0027240175Test40/40[==============================]-0s874us/stepWeights[[0.5041559]]biaxes[1.9961643]
</div> <div class="zixun-tj-product adv-bottom"></div> </div> </div> <div class="prve-next-news">
python中怎么使用Keras进行回归运算的详细内容,希望对您有所帮助,信息来源于网络。