MLK | Keras 基础模型调参指南

最新推荐文章于 2024-04-11 14:10:58 发布

Pysamlam

最新推荐文章于 2024-04-11 14:10:58 发布

阅读量550

点赞数 3

本文链接：https://blog.csdn.net/Pysamlam/article/details/100978604

版权

本文是 MLK 专栏关于Keras模型调参的教程，介绍了从Loss Function切换到categorical_crossentropy提高模型效果，探讨了batch_size对训练的影响，发现并非越大越好。此外，通过实验揭示了增加深度层并不总是提升性能，调整激活函数为relu能显著改善结果。优化器如Adam也有良好表现。Dropout作为正则化手段，能有效减少过拟合，但过度使用可能导致效果下降。

摘要由CSDN通过智能技术生成

640?wx_fmt=png

MLK，即Machine Learning Knowledge，本专栏在于对机器学习的重点知识做一次梳理，便于日后温习，这次主要讲下Keras 模型的调参。

? 前情回顾

上一篇文章讲解了如何简易入门Keras，大致给出了一个深度学习模型，但对于模型如何调参就没有太过于深入讲解，今天继续写一篇文章来整理下 Keras 深度学习模型的调参教程，希望可以对大家有所帮助。

00- 初始化一个NN模型

我们还是使用 MNIST 数据集，这一次训练和测试数据的样本量都一样，都是10000。

# 导入相关库
import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense,Dropout,Activation
from keras.optimizers import SGD,Adam
from keras.utils import np_utils
from keras.datasets import mnist

# 封装数据读取及预处理的代码
def load_data():
    (x_train,y_train),(x_test,y_test)=mnist.load_data()
    number=10000
    x_train=x_train[0:number]
    y_train=y_train[0:number]
    x_train=x_train.reshape(number,28*28)
    x_test=x_test.reshape(x_test.shape[0],28*28)
    x_train=x_train.astype('float32')
    x_test=x_test.astype('float32')
    y_train=np_utils.to_categorical(y_train,10)
    y_test=np_utils.to_categorical(y_test,10)
    x_train=x_train
    x_test=x_test
    x_train=x_train/255
    x_test=x_test/255
    return (x_train,y_train),(x_test,y_test)

# 调用方法
(x_train,y_train),(x_test,y_test)=load_data()
print(x_train.shape)
print(x_test.shape)

'''
随便初始化一个NN模型
'''
model=Sequential()
model.add(Dense(input_dim=28*28,units=633,activation='sigmoid'))
model.add(Dense(