【Keras】简单逻辑回归模型

导入安装包

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
import keras.datasets.mnist as mnist

加载数据

使用手写数字数据

(train_image,train_label),(test_image,test_label) = mnist.load_data()
train_image.shape  #查看数据维度

创建模型并训练

为什么要进行Flatten处理？
Flatten()函数将多维数据一维化，因为神经网络只能处理一维的数据。

第一层：全连接层，输出维度为64维，激活函数使用relu
第二层：输出维度为10维，激活函数用softmax，将数据值映射在[0,1]之间
optimizer优化器：adam
loss损失函数：交叉熵
metrics评价指标：准确度

#简单的逻辑回归

#创建模型
model = Sequential()
model.add(Flatten())
model.add(Dense(64,activation='relu'))
model.add(Dense(10,activation='softmax'))

#编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
             )

#训练模型
model.fit(train_image,train_label,epochs=50,batch_size=512)

#打印模型
model.summary()

评估模型

model.evaluate(test_image,test_label)   #输出loss,accuracy

准确率0.952也还可以。

写文不容易，请给个赞吧！

---