【科学计算与数学建模】Keras基础与简单应用

于 2024-03-21 00:00:00 发布
阅读量620 收藏 19
点赞数 12
分类专栏： 科学计算与数学建模 文章标签： 数学建模 keras 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hisser/article/details/136854094
版权

一、数据集的加载

任务描述

本关任务：keras 环境搭建。

相关知识

为了完成本关任务，你需要掌握：1. python 语言基础； 2. 机器学习。

实验目的

学会搭建Keras开发环境，掌握基于TensorFlow的高级API框架Keras的基本用法，通过MNIST手写数字体数据集，学会搭建基于Keras API的神经网络，并用来识别手写数字体。

实验开发环境和工具

可以在Ubuntu18.04操作系统上搭建开发环境，所使用的开发工具包括Anaconda、Tensorflow、Keras，使用Python语言。因为Keras是基于Tensorflow的高层API,所以需要先安装Tensorflow再安装Keras。

实验内容
1. 安装Anaconda和TensorFlow

本实验的开发环境是在Ubuntu18.04环境下安装Anaconda并安装TensorFlow1.10。首先来看一下如何安装Anaconda。 (1) 安装Anaconda 请打开网站 https://www.anaconda.com/download/ 下载适合的Anaconda安装包，因为本实验所采用的开发环境是基于64位的Ubuntu18.04操作系统（Linux的一种版本），所以下载Linux版本的的安装包Anaconda3-5.2.0-Linux-x86_64。 然后请打开系统终端，并在终端下输入以下命令进入所下载的安装包目录Downloads（学员请使用谷歌浏览器，自动保存的文件夹即为Downloads）： cd Downloads

接着，请在该目录下输入以下命令并回车运行： bash Anaconda3-5.2.0-Linux-x86_64.sh。

最后，在终端输入“ipython”验证Anaconda是否安装成功。

检测条件：没有报错即安装成功。

(2) 安装TensorFlow 2.1) 在终端输入以下命令查看TensorFlow各个版本 anaconda search -t conda tensorflow
执行结果如下：

,

检测条件：控制台出现以上结果。

2.2) 在终端输入以下命令查看可安装的版本地址 anaconda show anaconda/tensorflow
执行结果如下：

,

检测条件：控制台出现以上结果。

2.3) 如上所示，最后一步会提供一个下载地址，请使用以下命令安装TensorFlow： conda install --channel https://conda.anaconda.org/anaconda tensorflow 遇到终端输入提示“Proceed([y]/n)?”,输入“y”即可。
代码执行结果如下：

,

检测条件：控制台出现以上结果。

2.4) 最后，在终端下先输入“python”，然后再输入“import tensorflow”
执行结果如下：

,

检测条件： 不报错则安装成功。

2.安装Keras

(1) 装依赖包 numpy scipy h5py这三个包都是除了tensorflow以为的kearas依赖包，除了h5py以外其他包在前面实验过程中都已经安装，我们此处只需安装h5py即可。
首先用组合键Ctrl+Alt+T打开命令行终端，然后输入pip install h5py完成安装。
安装完成后在终端下输入pip list(或者conda list)查看已安装的包，发现有h5py则安装成功。

检测条件：终端软件安装列表有h5py则安装成功。

(2) 安装Keras
请学员通过快捷键Ctrl+Alt+T打开命令行终端，使用命令pip install keras 来安装
安装完成后在终端下输入pip list(或者conda list)查看已安装的包，发现有keras则安装成功。

检测条件：终端软件安装列表有keras则安装成功

(3) 导入模块
本教程需要导入Keras里的模块。请学员编码实现从Keras的datasets模块中导入数据集mnist模块,从layer.core模块导入Dense和Activation模块,从optimizers 模块导入SGD模块，从utils模块导入np_utils模块。

检测条件：导入模块没有报错

数据预处理

(1) 加载训练集和测试集
请学员通过mnist模块的load_data方法编程实现如下功能：把数据集中的训练数据和测试数据分别赋值给(X_train,y_train)和(X_test,yest)两组变量，并通过shape方法查看四个变量的维度是否正确
执行结果如下：

 

  1. (60000,28,28)
  2. (60000,)
  3. (10000,28,28)
  4. (10000)
 

 
 
检测条件：是否输出以上结果。
 

 

(2) 重塑训练集和测试集的形状
X_train和X_test如上所示分别是60000×28×28和10000×28×28的形状的张量，请通过numpy模块的reshape方法编程实现将其形状重塑为60000×784，10000×784，并使用numpy模块的astype方法将X_train和X_test的元素数据类型改为float32。
 然后请学员通过print方法结合X_train/X_test的shape和dtype属性编程实现查看形状和数据类型是否正确。
 

提示1：numpy模块的reshape方法形式如下：
 a.reshape(shape) ： 不改变numpy数组a的元素，返回一个shape形状的数组，原数组不变 例：
 

 

  1. a = np.arange(20)
  2. #原数组不变
  3. In [1]: a.reshape([4,5])
  4. Out[1]:
  5. array([[ 0, 1, 2, 3, 4],
  6. [ 5, 6, 7, 8, 9],
  7. [10, 11, 12, 13, 14],
  8. [15, 16, 17, 18, 19]])
 

提示2: numpy模块的数组对象的astype方法形式如下：
 

 

  1. astype（dtype，order ='K'，cast ='unsafe'，subok = True，copy = True）
 

参数dytpe表示需要转化的数据类型，其他参数都有缺省值，这里用不到，可以不用管。
 

代码执行结果：
 

 

  1. (60000,784)
  2. (10000,784)
  3. float32
  4. float32
 

 
 
检测条件：是否输出以上结果
 

 

(3) 归一化
 上面我们已经重塑了X_train和X_test的形状，但是mnist图片是通过矩阵存储在计算机里面，矩阵里的每一个元素都是一个像素点，每个像素都转换成了0～255的值，其中0代表白色，255代表黑色。为了方便神经网络的计算，我们需要对像素点进行归一化。
 请学员通过编程把X_train和X_test里面的像素点归一化到0-1之间的值，并查看X_train的第2个例子的第100个到150个像素点的值。
 

代码执行结果：
 

 

  1. array([0. , 0. , 0. , 0. , 0. ,
  2. 0. , 0. , 0. , 0. , 0. ,
  3. 0. , 0. , 0. , 0. , 0. ,
  4. 0. , 0. , 0. , 0. , 0. ,
  5. 0. , 0. , 0. , 0. , 0. ,
  6. 0. , 0. , 0.2 , 0.62352943, 0.99215686,
  7. 0.62352943, 0.19607843, 0. , 0. , 0. ,
  8. 0. , 0. , 0. , 0. , 0. ,
  9. 0. , 0. , 0. , 0. , 0. ,
  10. 0. , 0. , 0. , 0. , 0. ,
  11. 0. ], dtype=float32)
 

 
 
检测条件：输出以上结果则正确。
 

 

(4) one-hot编码
 请学员基于Keras的utils模块的to_categorical方法编程实现对Y_train和Y_test的one-hot编码，并打印Y_train前五行看编码是否正确
 提示：to_categorical方法的形式如下：
to_categorical(y, num_classes=None)
 

其中，参数y表示要转换为one-hot编码的类向量，而参数num_classes表示类别的总数。该方法返回的是输入的类向量中所有类别所对应的one-hot编码构成的矩阵。例如，以下代码将类别1和类别3分别转换成对应的one-hot编码。
 

示例代码：
 

 

  1. ohl=keras.utils.to_categorical([1,3],num_classes=5)
  2. print(ohl)
  3. 对应的输出结果
  4. [[0. 1. 0. 0. 0.]
  5. [0. 0. 0. 1. 0.]]
 

代码执行结果：
 

 

  1. array([[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
  2. [1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  3. [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
  4. [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
  5. [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]], dtype=float32
 

 
 
检测条件：输出以上结果则正确
 

 

编程要求
 

根据提示，在右侧编辑器/** Begin **/ 到 /** End **/ 处补充代码，完成数据的加载、重塑数据集、数据归一化、one-hot 编码。
 

测试说明
 

完成对mnist数据集的加载、数据重塑、归一化、转one-hot编码。
 

平台会对你编写的代码进行测试：
 

预期输出：
 

 

  1. (60000, 28, 28)
  2. (60000,)
  3. (10000, 28, 28)
  4. (10000,)
  5. (60000, 784)
  6. (10000, 784)
  7. float32
  8. float32
  9. [0. 0. 0. 0. 0. 0.
  10. 0. 0. 0. 0. 0. 0.
  11. 0. 0. 0. 0. 0. 0.
  12. 0. 0. 0. 0. 0. 0.
  13. 0. 0. 0. 0.2 0.62352943 0.99215686
  14. 0.62352943 0.19607843 0. 0. 0. 0.
  15. 0. 0. 0. 0. 0. 0.
  16. 0. 0. 0. 0. 0. 0.
  17. 0. 0. ]
  18. [[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
  19. [1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
  20. [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
  21. [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
  22. [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
  23. [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
  24. [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
  25. [0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
  26. [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
  27. [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]
  28. [[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
  29. [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
  30. [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
  31. [1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
  32. [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
  33. [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
  34. [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
  35. [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
  36. [0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
  37. [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]]
 

 

开始你的任务吧，祝你成功！
 

 

代码部分
 

import numpy as np

from keras.datasets import mnist
from keras.utils import np_utils
from keras import models
from keras import layers


# (X_train, y_train), (X_test, y_test) = mnist.load_data()
path = '/data/workspace/myshixun/step1/mnist.npz'  # mnist数据集的文件路径
# --------------- Begin --------------- #
f = np.load(path)
# X_train, y_train = 
# X_test, y_test = 
(X_train, y_train), (X_test, y_test) = mnist.load_data()
f.close()
# --------------- End --------------- #
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)

# 重塑数据集 转成(-1,784)
# --------------- Begin --------------- #
X_train = X_train.reshape([60000, 784]).astype(dtype='float32')
X_test = X_test.reshape([10000, 784]).astype(dtype='float32')
# --------------- End --------------- #
print(X_train.shape)
print(X_test.shape)
print(X_train.dtype)
print(X_test.dtype)

# 归一化
# --------------- Begin --------------- #
X_train = X_train / 255
X_test = X_test / 255
print(X_train[1][100:150])

# --------------- End --------------- #

# one-hot编码
# --------------- Begin --------------- #
y_train = np_utils.to_categorical([5,0,4,1,9,2,1,3,1,4], num_classes=10)
y_test = np_utils.to_categorical([7,2,1,0,4,1,4,9,5,9], num_classes=10)
# --------------- End --------------- #
print(y_train[:10])
print(y_test[:10])
 

二、数据集的加载
 
 

 

任务描述
 

本关任务：神经网络的搭建及训练。
 

相关知识
 

为了完成本关任务，你需要掌握：1. 神经网络的搭建 2.神经网络的训练
 

实验目的
 

学会搭建Keras开发环境，掌握基于TensorFlow的高级API框架Keras的基本用法，通过MNIST手写数字体数据集，学会搭建基于Keras API的神经网络，并用来识别手写数字体。
 

实验开发环境和工具
 

可以在 Ubuntu18.04 操作系统上搭建开发环境，所使用的开发工具包括 Anaconda、Tensorflow、Keras，使用 Python 语言。因为Keras是基于 Tensorflow 的高层 API,所以需要先安装 Tensorflow 再安装 Keras。
 

实验内容
 

搭建神经网络
 

添加层
 

Keras的原始构造模块就是模型，最简单的模型称为序列模型，即Sequential模型。接下来，我们来通过序列模型构建最基本的神经网络----感知机。感知机的模型如下：
 

,
 

请学员编程实现如下功能：首先创建一个序列模型对象 model；并调用 model 对象的add方法添加一个全连接层（全连接层在Keras中用Dense类来表示），其输出维度是10，输入维度是784；然后再通过add方法给输出层添加一个激活层（激活层在Keras中用Activation类来表示）得到最后输出；最后通过model的summary方法查看模型是否正确。
 

提示1：可以通过 Sequential类的构造方法来构建一个Keras序列模型对象。
model = Sequential()
 

提示2: 可通过如下add方法的形式来将一个个layer加入模型model中
model.add(layer)
 

其中Model是我们通过Sequential类构造的序列模型对象，然后调用add()方法添加层来搭建神经网络，其中layer可以是全连接层也可以是其它常用的神经网络层结构，层的具体定义后续会讲解。
 

提示3: Dense类的构造方法形式如下：
Dense(units,activation=None,use_bias=True, kernel_initializer='glorot_uniform',bias_initializer='zeros',kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None)
 

虽然参数很多，但是我们实际中使用只需要注明几个显著的参数即可。
 其中参数units表示该层的输出维度，为大于0的整数，其余的参数都有缺省值，在这里用不到。
 

  • use_bias:布尔值，是否使用偏置项
 

注意如果第一层就是全连接层需要使用参数input_shape指定输入大小。
 

提示4:Activation类的构造方法形式如下：
Activation(activation)
 

其中参数activation表示用于神经网络的激活函数
 

代码执行结果:
 

 

  1. _________________________________________________________________
  2. Layer (type) Output Shape Param # 
  3. =================================================================
  4. dense_2 (Dense) (None, 10) 7850 
  5. _________________________________________________________________
  6. activation_2 (Activation) (None, 10) 0 
  7. =================================================================
  8. Total params: 7,850
  9. Trainable params: 7,850
  10. Non-trainable params: 0
  11. ________________________
 

 
 
检测条件：输出以上内容则正确
 

 

编译神经网络
 

在定义好神经网络模型后，需要对模型进行编译，已有经过编译，模型才能由Keras的后端（Theao或Tensorflow）来执行。
 请学员编程实现以下功能：通过model对象的compile方法来对模型进行编译。
 

提示：compile 方法有三个参数，其中参数 loss 表示损失函数，这里应该用categorical_crossentropy作为损失函数；参数 optimizer表示所采用的优化算法，这里可以用SGD方法；参数metrics表示性能评估指标，这里可以用accuracy作为性能评估指标。
 

 
 
检测条件：需对代码进行判断
 

 

训练神经网络
 

一旦编译完模型，就可以用model对象的fit方法进行模型的训练。
 请学员编程实现以下功能：用fit方法来训练神经网络。
 提示：fit方法的形式如下：
 

 

  1. fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)
 

虽然参数很多，但是我们实际中使用只需要注明几个显著的参数即可。
 

  • x：输入数据。如果模型只有一个输入，那么x的类型是numpy数组，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array。
  • y：标签，numpy 数组。如果模型有多个输出，可以传入一个numpy 数组的list。
  • batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个
  • batch的样本会被计算一次梯度下降，使目标函数优化一步。
  • epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止
  • verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
  • validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。
 

其中参数x,y分别对应X_train, Y_train,参数batch_sze可设置为128，参数epochs可设置为200，参数verbose设置为1，参数validation_split设置为0.2
 

代码执行结果：
 

 

  1. Train on 48000 samples, validate on 12000 samples
  2. Epoch 1/200
  3. 48000/48000 [==============================] - 1s 19us/step - loss: 1.3633 - acc: 0.6796 - val_loss: 0.8904 - val_acc: 0.8246
  4. Epoch 2/200
  5. 48000/48000 [==============================] - 1s 15us/step - loss: 0.7913 - acc: 0.8272 - val_loss: 0.6572 - val_acc: 0.8546
  6. Epoch 3/200
  7. 48000/48000 [==============================] - 1s 15us/step - loss: 0.6436 - acc: 0.8497 - val_loss: 0.5625 - val_acc: 0.8681
  8. Epoch 4/200
  9. 48000/48000 [==============================] - 1s 15us/step - loss: 0.5717 - acc: 0.8602 - val_loss: 0.5098 - val_acc: 0.8765
  10. Epoch 5/200
  11. 48000/48000 [==============================] - 1s 15us/step - loss: 0.5276 - acc: 0.8678 - val_loss: 0.4758 - val_acc: 0.8826
  12. .
  13. .
  14. Epoch 195/200
  15. 48000/48000 [==============================] - 1s 19us/step - loss: 0.2767 - acc: 0.9231 - val_loss: 0.2760 - val_acc: 0.9239
  16. Epoch 196/200
  17. 48000/48000 [==============================] - 1s 18us/step - loss: 0.2766 - acc: 0.9226 - val_loss: 0.2758 - val_acc: 0.9241
  18. Epoch 197/200
  19. 48000/48000 [==============================] - 1s 14us/step - loss: 0.2765 - acc: 0.9229 - val_loss: 0.2758 - val_acc: 0.9242
  20. Epoch 198/200
  21. 48000/48000 [==============================] - 1s 14us/step - loss: 0.2763 - acc: 0.9231 - val_loss: 0.2758 - val_acc: 0.9236
  22. Epoch 199/200
  23. 48000/48000 [==============================] - 1s 14us/step - loss: 0.2762 - acc: 0.9229 - val_loss: 0.2757 - val_acc: 0.9241
  24. Epoch 200/200
  25. 48000/48000 [==============================] - 1s 15us/step - loss: 0.2761 - acc: 0.9230 - val_loss: 0.2756 - val_acc: 0.9241
 

 
 
检测条件：输出的结果准确率acc和loss与上面接近即正确。
 

 

评估神经网络
 

一旦模型训练完成，我们就可以在全新的样本测试集上进行评估，来观察模型的好坏。
 

请学员编程实现以下功能：
 1）使用model对象的evaluate方法来评估模型，并将evaluate的返回值保存到变量score中
 2）然后打印score的第一项和第二项值，查看总的损失值和准确率。
 

提示：evaluate()定义形式如下： evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)
 

  • x：输入数据
  • y：标签
  • batch_size：整数，含义同fit的同名参数
  • verbose：含义同fit的同名参数，但只能取0或1
  • evaluate方法前2个参数是测试集特征和标签（可以分别用X_test和Y_test），verbose ,可设置为1，其它参数可以不用考虑。
 

代码执行结果：
 

 

  1. 10000/10000 [==============================] - 0s 24us/step
  2. Test score 0.27740466350317
  3. Test accuracy 0.9213
 

 
 
检测条件：总的损失和准确率接近即正确。
 

 

优化神经网络
 

模型改进
 

之前构建了一个最简单的神经网络。实际上，构建神经网络的时候可以同时添加层和激活函数，如下所示：
model.add(Dense(10,input_shape = (784,))，activation = ’softmax’)
 

请学员编程实现以下功能：在上述最基本的神经网络基础上通过add方法加一个隐藏层，隐藏层的输出维度是128，激活函数是’relu’,同时输出层不再是一个单一的激活函数，而是用Dense定义全连接输出层，其中输出维度是10,激活函数是’softmax’，注意，此时我们的输入层的的输出的激活函数是’relu’.然后通过summary.model()方法查看构建是否正确
 

代码执行结果：
 

 

  1. Layer (type) Output Shape Param # 
  2. =================================================================
  3. dense_3 (Dense) (None, 128) 100480 
  4. _________________________________________________________________
  5. dense_4 (Dense) (None, 128) 16512 
  6. _________________________________________________________________
  7. dense_5 (Dense) (None, 10) 1290 
  8. =================================================================
  9. Total params: 118,282
  10. Trainable params: 118,282
  11. Non-trainable params: 0
 

 
 
检测条件：得到如上左右结果则代表正确：
 

 

编译神经网络
 

请学员编程实现以下功能：通过model对象的compile方法来对模型编译，其中参数loss用categorical_crossentropy，参数optimizer用SGD，参数metrics选用’accuracy’
 

 
 
检测条件：需对代码进行判断
 

 

训练神经网络
 

请学员编程实现以下功能：用fit方法来训练神经网络，其中batch_sze设置为128，epochs设置为20，verbose设置为1，validation_split设置为0.2。
 

代码执行结果：
 

 

  1. Train on 48000 samples, validate on 12000 samples
  2. Epoch 1/20
  3. 48000/48000 [==============================] - 6s 131us/step - loss: 1.4590 - acc: 0.6352 - val_loss: 0.7348 - val_acc: 0.8351
  4. Epoch 2/20
  5. 48000/48000 [==============================] - 1s 29us/step - loss: 0.5887 - acc: 0.8514 - val_loss: 0.4486 - val_acc: 0.8847
  6. Epoch 3/20
  7. 48000/48000 [==============================] - 2s 34us/step - loss: 0.4353 - acc: 0.8807 - val_loss: 0.3711 - val_acc: 0.9003
  8. Epoch 4/20
  9. 48000/48000 [==============================] - 1s 30us/step - loss: 0.3767 - acc: 0.8947 - val_loss: 0.3339 - val_acc: 0.9069
  10. Epoch 5/20
  11. 48000/48000 [==============================] - 1s 29us/step - loss: 0.3430 - acc: 0.9035 - val_loss: 0.3088 - val_acc: 0.9136
  12. Epoch 16/20
  13. 48000/48000 [==============================] - 2s 31us/step - loss: 0.2140 - acc: 0.9385 - val_loss: 0.2063 - val_acc: 0.9410
  14. Epoch 17/20
  15. 48000/48000 [==============================] - 2s 31us/step - loss: 0.2074 - acc: 0.9406 - val_loss: 0.2010 - val_acc: 0.9434
  16. Epoch 18/20
  17. 48000/48000 [==============================] - 2s 32us/step - loss: 0.2016 - acc: 0.9420 - val_loss: 0.1973 - val_acc: 0.9442
  18. Epoch 19/20
  19. 48000/48000 [==============================] - 2s 32us/step - loss: 0.1961 - acc: 0.9440 - val_loss: 0.1929 - val_acc: 0.9447
  20. Epoch 20/20
  21. 48000/48000 [==============================] - 2s 32us/step - loss: 0.1906 - acc: 0.9453 - val_loss: 0.1885 - val_acc: 0.9476
  22. 10000/10000 [==============================] - 0s 30us/step
 

 
 
检测条件：输出的结果准确率acc和loss与上面接近即正确。
 

 

评估神经网络
 

请学员编程实现以下功能：使用evaluate函数来评估模型。
 其中参数x,y分别对应测试集的数据和标签，verbose设置为1，其余参数可以忽略。并将evaluate的返回值赋值给score，然后打印score的第一项和第二项值，查看总的损失值和准确率。
 

代码执行结果：
 

 

  1. 10000/10000 [==============================] - 0s 24us/step
  2. Test score: 0.18817616567984224
  3. Test accuracy: 0.9452
 

 
 
检测条件：输出的结果准确率acc和loss与上面接近即正确。
 

 

总结
 

我们通过增加2个隐藏层，让准确率提升了2.2%，然而我们的迭代次数从200显著减少到了20，说明了我们的神经网络得到了很好的改善。
 

编程要求
 

根据提示，在右侧编辑器 / Begin / 到 / End / 处补充代码，完成模型的构建、模型的编译、模型的训练以及模型的预测。
 

测试说明
 

搭建神经网络，并利用神经网络对mnist数据集进行训练。
 

平台会对你编写的代码进行测试：
 

预期输出：通关成功!
 

 

开始你的任务吧，祝你成功！
 

 

代码部分
 

import numpy as np

from keras.datasets import mnist
from keras.utils import np_utils
from keras import models
from keras import layers


def mnist():
    # (X_train, y_train), (X_test, y_test) = mnist.load_data()
    path = '/data/workspace/myshixun/step1/mnist.npz'  # mnist数据集的文件路径
    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()

    # 重塑数据集
    X_train = X_train.reshape([60000, 784])
    X_test = X_test.reshape([10000, 784])

    X_train = X_train.astype(np.float32)
    X_test = X_test.astype(np.float32)

    # 归一化
    X_train = X_train / 255
    X_test = X_test / 255

    # one-hot编码
    y_train = np_utils.to_categorical(y_train)
    y_test = np_utils.to_categorical(y_test)

    # build model
    # --------------- Begin --------------- #
    from keras import models, Sequential
    from keras.layers import Dense, Activation

    model = Sequential()
    # model.add(Dense(10,input_shape = (784,)))
    model.add(Dense(units=10, activation='softmax', input_shape=(784,)))
    model.add(Activation('relu'))
    model.build()
    model.summary()
    
    # train model
    model.compile (optimizer='SGD', loss='categorical_crossentropy', metrics= ['accuracy']) 
    # model.fit(x=X_train, y=y_train, batch_size=128, epochs=200, verbose=1, validation_split=0.2)
    model.fit(x=X_train, y=y_train, batch_size=128, epochs=6, verbose=1, validation_split=0.2)
    score =model.evaluate(x=X_test, y=y_test,verbose=1)

    test_loss = score[0]
    test_acc = score[1]
    # --------------- End --------------- #
    # print("test_loss:", test_loss, "\ntest_acc:", test_acc)
    return test_loss,test_acc,model
 


                

        

        

    




    

      

        

            

              
                
                  草堂春睡足
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    12
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    19
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                  1
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
keras-applications：流行的深度学习模型的参考实现

				
			

			

				

					02-24
				

			

		

		

			
				
Keras应用
 Keras应用程序是Keras深度学习库的applications模块。 它为许多流行的架构提供模型定义和预训练权重，例如VGG16，ResNet50，Xception，MobileNet等。
 在以下位置阅读文档：  : 
 Keras应用程序可以直接从Keras的最新安装中导入：
 from keras import applications
Keras应用程序与Python 2.7-3.6兼容，并根据MIT许可证进行分发。
表现
使用Keras应用程序和TensorFlow后端在2012 ILSVRC ImageNet验证集中获得了前k个准确性，该准确性可能与原始准确性有所不同。
 输入：输入到模型的输入大小
前1个：单中心作物，前1个精度
前5名：单中心作物，前5名准确性
大小：当include_top=True时四舍五入参数数量
词干：当include_top=

			
		

	



                

              
                



	

		

			

				
					
keras 应用_Keras-应用

				
			

			

				

					cunzai1985的博客
				

				

					09-24
					
					204
					
				

			

		

		

			
				
keras应用 Keras-应用 (Keras - Applications)


Advertisements
 广告 

 Previous Page

  上一页 

Next Page 

 下一页  
Keras applications module is used to provide pre-trained model for deep neural networks. Ker...

			
		

	



                


  
              

                


	

		

			

				
					
【深度学习计算机视觉实战】Keras的应用

				
			

			

				

					lxiao428的博客
				

				

					04-20
					
					544
					
				

			

		

		

			
				
本文内容参考《深度学习计算机视觉实战》，该书内容包括深度学习与计算机视觉基础介绍、常用的OpenCV进行模型训练前处理与后处理算法、计算机视觉案例实战、Windows/Linux/Android/国产化平台的模型部署，学习路线如下：
​
Keras是最常见的深度学习库之一，能够帮助用户快速构建深度学习网络。Keras的张量计算依赖于处理后端，Keras中提供了Theano/Tensorflow/CNTK三种后端引擎，三种引擎的函数使用统一封装，在用户层面可以切换后端引擎，但是调用的API相同。
Keras提

			
		

	





	

		

			

				
					
Keras入门与应用

				
			

			

				

					少年初心的博客
				

				

					12-06
					
					546
					
				

			

		

		

			
				
文章目录Sequential  —— 单输入单输出堆叠模型Model —— 函数式模型，多输入多输出常用APIInput-keras.engine.input_layer.Input()Flatten——keras.layers.Flatten(data_format=None)Embedding层「节点」的概念训练参数详解应用——以多输入多输出为例
Sequential  —— 单输入单输出堆叠...

			
		

	



		

			
		



	

		

			

				
					
TensorFlow 2 学习笔记——从底层函数解析到Keras应用（小白入门）

				
			

			

				

					12-21
				

			

		

		

			
				
目录TensorFlowTensorFlow 基本函数TensorFlow原生代码搭建神经网络神经网络中的名词解释学习率激活函数损失函数欠拟合与过拟合优化器更新网络参数Keras 搭建神经网络基本函数Sequential搭建神经网络Class自定义函数搭建神经网络卷积神经网络卷积计算感受野批标准化池化舍弃
TensorFlow
TensorFlow 基本函数
1、tf.cast（张量名，dtype = 数据类型）：强制tensor转换为该数据类型；
2、tf.reduce_min(张量名)：计算张量维度上元素最小值；
3、tf.reduce_max(张量名)：计算张量维度上元素最大值；
3、理

			
		

	





	

		

			

				
					
Python数学实验与建模-程序及数据.zip

				
			

			

				

					07-30
				

			

		

		

			
				
《Python数学实验与建模-程序及数据》这个...综上所述，这个压缩包的内容涵盖了从基础的Python编程到高级的数学建模和数据分析的多个方面，对于希望深入学习Python在科学计算领域应用的人来说，是一个宝贵的资源。

			
		

	





	

		

			

				
					
浅谈Python在科学计算中的应用.zip

				
			

			

				

					10-16
				

			

		

		

			
				
Python是一种高级编程语言，因其简洁明了的语法和丰富的库支持，在科学计算领域得到了广泛应用。在本文中，我们将深入探讨Python在科学计算中的优势、主要工具及其在各个领域的具体应用。  首先，Python的易学性是它...

			
		

	





	

		

			

				
					
math23c-rproject:计算与数据科学数学的R编程学期项目

				
			

			

				

					04-17
				

			

		

		

			
				
《R语言在计算与数据科学数学中的应用：深入探索math23c-rproject学期...通过这个项目，我们不仅能提升R编程技能，还能深化对数学建模、数据分析和数据可视化的理解，为未来在计算与数据科学领域的工作奠定坚实基础。

			
		

	





	

		

			

				
					
Python数学实验与建模-程序及数据,数学建模python程序实例,Python源码.zip

				
			

			

				

					10-15
				

			

		

		

			
				
Python是一种广泛应用于科学计算、数据分析和数学建模的高级编程语言。它的易读性、丰富的库支持以及强大的功能使得它成为数学实验与建模的理想工具。这个压缩包包含的资源着重于通过Python进行数学建模的实践应用和...

			
		

	





	

		

			

				
					
神经网络模型在分类与预测中的应用研究.pdf

				
			

			

				

					09-26
				

			

		

		

			
				
【神经网络模型】神经网络模型是受到生物神经元工作原理启发的一种计算模型，它通过大量相互连接的简单处理单元（神经元）形成复杂网络，能够处理大规模并行、分布式存储和处理信息。这些模型反映了人脑功能的非线性...

			
		

	





	

		

			

				
					
keras系列︱迁移学习：利用InceptionV3进行fine-tuning及预测、完美案例（五）

				
			

			

				

					holy的博客
				

				

					07-05
					
					2466
					
				

			

		

		

			
				
转自：

之前在博客《keras系列︱图像多分类训练与利用bottleneck
features进行微调（三）》一直在倒腾VGG16的fine-tuning，然后因为其中的Flatten层一直没有真的实现最后一个模块的fine-tuning。 
看到github上有一份InceptionV3的fine-tuning并且可以实现。

我看到的keras微调的方式分为以下两种： 
fin

			
		

	





	

		

			

				
					
深度学习框架-Keras：特点、架构、应用和未来发展趋势

					
最新发布

				
			

			

				

					网络技术联盟站
				

				

					05-22
					
					1690
					
				

			

		

		

			
				
深度学习是一种新兴的技术，已经在许多领域中得到广泛的应用，如计算机视觉、自然语言处理、语音识别等。Keras是深度学习的一种重要框架，它具有许多优点，如简单易用、模块化、多后端支持等。Keras核心是Keras的主要库，它提供了一些高级API，如Sequential和Functional API，可以方便地构建和训练神经网络模型。语音识别是另一个深度学习的重要领域，Keras可以在语音识别中得到广泛应用。Keras是一种简单易用的深度学习框架，它提供了一些高级API，可以方便地构建和训练神经网络模型。

			
		

	





	

		

			

				
					
Keras深度学习实战（2）——使用Keras构建神经网络

					
热门推荐

				
			

			

				

					盼小辉丶的博客
				

				

					04-20
					
					6万+
					
				

			

		

		

			
				
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........

			
		

	





	

		

			

				
					
Keras基本使用（二）

				
			

			

				

					weixin_45847320的博客
				

				

					06-24
					
					693
					
				

			

		

		

			
				
Convolution2D进行二维卷积操作，MaxPooling2D：二维的最大池化，Flatten：将数据扁平化一个一维数据


显然利用CNN进行图像处理的结果非常好。        IMDB数据，50000条严重两级分化的评论，测试集和训练集各占一半，其中，train_data和test_data这两个变量都是评论组成的列表，每条评论是单词索引组成的列表，train_labels和test_labels都是0,1组成的列表，其中0代表负面，1代表正面。





即第一条评论以及其标签。将某条评论迅速

			
		

	





	

		

			

				
					
基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ

				
			

			

				

					　啸林　
				

				

					10-11
					
					3万+
					
				

			

		

		

			
				
基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ -- Keras介绍：
Keras是一个极度简化、高度模块化的神经网络第三方库。基于Python+Theano开发，充分发挥了GPU和CPU操作。其开发目的是为了更快的做神经网络实验。适合前期的网络原型设计、支持卷积网络和反复性网络以及两者的结果、支持人工设计的其他网络、在GPU和CPU上运行能够无缝连接。

			
		

	





	

		

			

				
					
Keras —— 应用模型

				
			

			

				

					wangli0519的博客
				

				

					06-09
					
					7539
					
				

			

		

		

			
				
Keras应用是可用的具有预训练权重的深度学习模型。这些模型可用于预测，特征提取和细调。
实例化模型时权重自动下载，储存在~/.keras/models/
可用模型

在ImageNet上预训练权重的图像分类模型有：
-Xception
-VGG16
-VGG19
-ResNet50
-InceptionV3
Xception模型只有TensorFlow版，因为它依赖于Sepa

			
		

	





	

		

			

				
					
【原创】Tensorflow+Keras 深度学习人工智能实践应用学习 Part1

				
			

			

				

					qq_40628847的博客
				

				

					05-14
					
					6559
					
				

			

		

		

			
				
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~前言今天去图书馆想找一本Tensorflow方面的教程，结果找到了这本《Tensorflow+Keras 深度学习人工智能实践应用学习 》清华大学出版社，林大贵著。目前小白一枚，打算照着这本书进行学习，并把所学所想留在CSDN中，以便未来参照。大家可以一同学习和监督。~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~...

			
		

	





	

		

			

				
					
人工智能学习笔记-Keras介绍及简单应用

				
			

			

				

					Tauren的专栏
				

				

					10-30
					
					848
					
				

			

		

		

			
				
Keras介绍及安装
1 什么是Keras
2 一些基本概念
21 符号计算
21 张量
3 安装
使用演示
1 一个简单神经网络
2 模型可视化
参考阅读1 Keras介绍及安装1.1 什么是Keras
  Keras 是一个基于 Python 的高层神经网络库，其可以使用 Tensorflow、Theano 以及 CNTK 等著名深度学习框架作为后端。Keras 的设计理念为简单而便捷，你可以通

			
		

	





	

		

			

				
					
Keras的简单应用（三分类问题）——改编自cifar10vgg16

				
			

			

				

					而濡木染
				

				

					04-23
					
					2778
					
				

			

		

		

			
				
此为改编自cifar10的三分类问题：from __future__ import print_function  #此为在老版本的python中兼顾新特性的一种方法
import keras
from keras.preprocessing.image import ImageDataGenerator
from keras.preprocessing import image
from ker...

			
		

	





	

		

			

				
					
数据挖掘导论-ch2-Python数据分析工具.pdf

				
			

			

				

					06-28
				

			

		

		

			
				
它提供了丰富的数学函数，支持复杂的矩阵操作，是进行科学计算的理想选择。  Matplotlib是一个强大的绘图库，能够创建各种高质量的图表，对于数据可视化至关重要。通过Matplotlib，分析师可以清晰地展示数据，以便于...

			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值