【科学计算与数学建模】循环神经网络

最新推荐文章于 2024-08-14 18:47:09 发布

草堂春睡足

最新推荐文章于 2024-08-14 18:47:09 发布

阅读量867

点赞数 29

分类专栏：科学计算与数学建模文章标签：数学建模 rnn 人工智能

本文链接：https://blog.csdn.net/Hisser/article/details/136854296

版权

科学计算与数学建模专栏收录该内容

8 篇文章 0 订阅

订阅专栏

本文介绍了如何在Keras中构建简单循环神经网络（SimpleRNN）和长短期记忆网络（LSTM），包括模型结构、数据预处理、模型训练过程以及绘制训练损失和准确率曲线。任务涉及使用IMDB电影评论数据集进行模型搭建和验证。

摘要由CSDN通过智能技术生成

一、简单循环神经网络

任务描述

本关任务：搭建一个简单循环神经网络模型。

编程要求

根据提示，在右侧编辑器补充代码，搭建自己RNN神经网络。

1）从keras导入全连接层模块 2）定义一个序列模型 3）添加一个Embedding层，参数是（max_features,32） 4）添加一个SimpleRNN层，输出维度32 5）添加一个全连接层，输出维度1，激活函数‘sigmoid’

测试说明

补充代码，完成对应的输出。

输出：

开始你的任务吧，祝你成功！

代码部分

from keras.models import Sequential
from keras.layers import Dense, Embedding, SimpleRNN, LSTM
from keras.datasets import imdb
from keras.preprocessing import sequence
import matplotlib.pyplot as plt

if __name__ == "__main__":
    max_features = 10000
    maxlen = 500
    print("Loading data...")

    ##################Begin#########################
    """
    加载imdb代码，数据集地址为:/data/workspace/myshixun/imdb.npz
    """
    print('Loading data...')
    (X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=max_features)

    #################END#############################
    print(len(X_train), "train sequences")
    print(len(X_train), "test sequences")

    print("Pad sequences (sample x times)")
    X_train = sequence.pad_sequences(X_train, maxlen=maxlen)
    X_test = sequence.pad_sequences(X_test, maxlen=maxlen)
    print("X_train shape:", X_train.shape)
    print("X_test shape:", X_test.shape)

    model = Sequential()
    model.add(Embedding(max_features, 32))
    ##################Begin#########################
    """
    添加SimpleRNN层，参数为32
    """
    model.add(SimpleRNN(32))
    #################END#############################
    model.add(Dense(1, activation='sigmoid'))
    model.summary()

    # acc = history.history['acc']
    # val_acc = history.history['val_acc']
    # loss = history.history['loss']
    # val_loss = history.history['val_loss']
    # epochs = 1
    # plt.plot(epochs, acc, 'bo', label='Training acc')
    # plt.plot(epochs, val_acc, 'b', label='Validation acc')
    # plt.title('Training and validation accuracy')
    # plt.legend()
    # plt.figure()
    # plt.plot(epochs, loss, 'bo', label='Training loss')
    # plt.plot(epochs, val_loss, 'b', label='Validation loss')
    # plt.title('Training and validation loss')
    # plt.legend()
    # plt.show()

二、LSTM循环神经网络

任务描述

本关任务：搭建自己的LSTM模型。

编程要求

根据提示，在右侧编辑器补充代码，搭建自己LSTM神经网络。

1）从kaeras导入全连接层模块 2）定义一个序列模型 3）添加一个Embedding层，参数是（max_features,32） 4）添加一个LSTM层，输出维度32 5）添加一个全连接层，输出维度1，激活函数‘sigmoid’

测试说明

平台会对你编写的代码进行测试：

预期输出：补全相应的代码，输出相应的答案。

开始你的任务吧，祝你成功！

代码部分

from keras.models import Sequential
from keras.layers import Dense, Embedding, SimpleRNN, LSTM
from keras.datasets import imdb
from keras.preprocessing import sequence
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from keras.layers import LSTM

if __name__ == "__main__":
    max_features = 10000
    maxlen = 500
    print("Loading data...")
    ##################Begin#########################
    """
    加载imdb数据，数据路径为'/data/workspace/myshixun/imdb.npz'
    """
    (X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=max_features)
    #################END#############################
    print(len(X_train), "train sequences")
    print(len(X_train), "test sequences")

    print("Pad sequences (sample x times)")
    X_train = sequence.pad_sequences(X_train, maxlen=maxlen)
    X_test = sequence.pad_sequences(X_test, maxlen=maxlen)
    print("X_train shape:", X_train.shape)
    print("X_test shape:", X_test.shape)

    model = Sequential()
    model.add(Embedding(max_features, 32))
    ##################Begin#########################
    """
    LSTM层，参数为32
    """
    model.add(LSTM(32))
    model.add(Dense(1, activation='sigmoid'))
    model.summary()
    model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])
    
    # history = model.fit(X_train, y_train, epochs=1, batch_size=32, validation_split=20)

    # # 绘图
    # acc = history.history['acc']
    # val_acc = history.history['val_acc']
    # loss = history.history['loss']
    # val_loss = history.history['val_loss']
    
    # epochs = range(len(acc))
    
    # plt.plot(epochs, acc, 'bo', label='Training acc')
    # plt.plot(epochs, val_acc, 'b', label='Validation acc')
    # plt.title('Training and validation accuracy')
    # plt.legend()
    
    # plt.figure()
    
    # plt.plot(epochs, loss, 'bo', label='Training loss')
    # plt.plot(epochs, val_loss, 'b', label='Validation loss')
    # plt.title('Training and validation loss')
    # plt.legend()
    # plt.show()


    #################END#############################
    # model.add(Dense(1, activation='sigmoid'))
    # model.summary()

草堂春睡足

关注

29
点赞
踩
9

收藏

觉得还不错? 一键收藏
1
评论
【科学计算与数学建模】循环神经网络

RNN处理序列的方式是，遍历所有序列元素，并保存一个状态，其中包含与已查看内容相关的信息。实际上，RNN是一类具有内部环的神经网络（如下图）。在处理两个不同的独立序列（比如两条不同的IMDB评论）之间，RNN状态会被重置，因此，你仍可以将一个序列看作单个数据点，即网络的单个输入。真正改变的是，数据点不再是在单个步骤中进行处理，相反，网络内部会对序列元素进行遍历。
复制链接

扫一扫