python中的keras,基于keras的python实践

　　本文主要介绍python神经网络学习使用Keras进行简单分类。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010学习重要函数1的所有代码，NP _ utils。to _ category 2，Activation3，metrics=[accuracy]在前言Keras中分类。

学习前言

Keras中分类的重要函数

　　NP _ utils。to _ category用于将标签转换为类似(nb_samples，nb_classes)的二进制序列。

　　假设num_classes=10。

　　如[1，2，3，…4]变成：

　　[[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]]

　　这样的形式。

　　如果Y_train被转换成二进制序列，可以使用以下方法：

　　Y _ train=NP _ utils . to _ categorial(Y _ train，num_classes=10)

1、np_utils.to_categorical

　　激活是一个激活函数，一般用在每一层的输出。

　　当我们使用顺序模型来构建函数时，我们只需要在每一层密集之后添加激活。

　　顺序函数还支持直接在参数中构建所有层。使用方法如下。

　　模型=顺序([

　　密集(32，input_dim=784)，

　　激活(“relu”)，

　　密集(10)，

　　激活(“softmax”)

　　]

　　)

　　两次激活分别使用relu函数和softmax函数。

2、Activation

　　在model.compile中添加metrics=[accuracy]意味着需要计算分类精度。具体用法如下：

　　模型.编译(

　　损失=分类交叉熵，

　　optimizer=rmsprop，

　　度量=[准确性]

　　)

3、metrics=[‘accuracy’]

　　这是一个简单的神经网络，只有一个隐藏层，用来完成手写识别。本例中使用的优化器是RMSprop，具体可以使用的优化器可以参考Keras中文文档。

　　将numpy作为np导入

　　从keras.models导入序列

　　来自喀拉斯。层层导入密实，激活#层#全连接

　　从keras.datasets导入mnist

　　从keras.utils导入np_utils

　　优化器导入RMSprop

　　#获取训练集

　　(X_train，Y_train)，(X_test，Y_test)=mnist.load_data()

　　#首先标准化

　　X _ train=X _ train . shape(X _ train . shape[0]，-1)/255

　　X _ test=X _ test . shape(X _ test . shape[0]，-1)/255

　　# categorical _ crossentropy计算需要类别分类结果。

　　#也就是说，标签需要转换成二进制序列，如(nb_samples，nb_classes)

　　Y _ train=NP _ utils . to _ categorial(Y _ train，num_classes=10)

　　Y _ test=NP _ utils . to _ categorial(Y _ test，num_classes=10)

　　#建立一个模型

　　模型=顺序([

　　密集(32，input_dim=784)，

　　激活(“relu”)，

　　密集(10)，

　　激活(“softmax”)

　　]

　　)

　　rmsprop=RMSprop(lr=0.001，rho=0.9，=1e-08，decay=0)

　　##编译

　　model.compile(loss= category _ cross entropy ，optimizer=rmsprop，metrics=[accuracy])

　　打印( \ n培训)

　　cost=model.fit(X_train，Y_train，nb_epoch=2，batch_size=32)

　　打印( \ n测试)

　　成本，准确性=模型.评估(X _测试，Y _测试)

　　## W，b=model.layers[0]。获取权重()

　　打印(“精确度：”，精确度)

　　实验结果如下：

　　纪元1/2

　　60000/60000[============================]-12s 202 us/step-loss : 0.3512-ACC : 0.9022

　　纪元2/2

　　60000/60000[============================]-11s 183 us/step-loss : 0.2037-ACC : 0.9419

　　试验

　　10000/10000[==============================]-1s 108 us/步

　　精确度： 0.9464

　　以上是使用Keras进行简单分类的python神经网络学习的详细内容。关于python神经网络Keras分类的更多信息，请关注盛行IT软件开发工作室的其他相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。