使用keras框架训练一个简单的深度学习模型——（一）线性模型解决分类问题

最新推荐文章于 2024-08-27 13:50:32 发布

Rance_King

最新推荐文章于 2024-08-27 13:50:32 发布

阅读量992

点赞数

文章标签： keras 神经网络

本文链接：https://blog.csdn.net/Rance_King/article/details/88366539

版权

本文记录了在udemy课程中，通过keras构建并训练一个简单的深度学习线性模型的过程。首先，导入必要的keras库，然后创建并初始化模型与优化器。接着，利用人工构造的近似斜对角线分布数据进行训练。模型的构建包括添加Dense层，并进行编译。最后，观察训练过程，绘制模型预测的图形，展示了模型对新数据的预测能力。

摘要由CSDN通过智能技术生成

在udemy上上The complete self-drving car course，根据课程的教法训练了一个最简单的深度学习模型，本文详细记录训练此模型的每个步骤以及代码含义。

源代码下载：https://download.csdn.net/download/rance_king/11008565

导入包，keras.models 导入的是Sequential模型，keras.layers导入了一种叫Dense的层，这是一种每个单元都与上，下一层的每个单元有连接的层，每个单元都完全地建立连接就是这个层的形式，Adam是一种优化器。
```
import numpy as np
import keras
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
```

放入一些初始数据。这个初始数据是我们手动设定然后放进来的。这个数据为了故意制作成方便训练一个线性模型，将两堆点分别放置在一个近似斜对角线的位置上，并给这些数据对应打上了相应的标签

#设定为500个点
n_pts = 500
#设定随机种子，这样以后重复运行时还会形成与第一次试验相同的随机数据。
np.random.seed(0)
#设定了两堆点，这两堆点分别以坐标轴（13，12）和（8，6）为中心进行高斯分布（normal distribution）
#因为原本生成的np.array是x和y坐标分别成为两个array，所以将矩阵转置（把矩阵的shape中两个数值调换）
#如此获得了Xa，Xb是两堆点的坐标
Xa = np.array([np.random.normal(13, 2, n_pts),
               np.random.normal(12, 2, n_pts)]).T
Xb = np.array([np.random.normal(8, 2, n_pts),
               np.random.normal(6, 2, n_pts