3.1 多层感知层简介
3.1.1 链接输入、输出的Dense层
Dense(8,input_dim=4,activation='relu')
-
第一个参数:输出神经元的个数
-
input_dim:输入神经元的个数
-
activation:激活函数
-
linear:默认值,输入神经元与权重计算得到的结果值
-
relu:主要用于隐藏层。rectifier函数
-
sigmoid:sigmoid函数,主要用于二元分类问题的输出层中
-
softmax:softmax函数,主要用于多分类问题的输出层中
-
Dense层不受输入神经元个数的限制,可自由设定输出神经元的个数
3.2搭建多层感知神经网络模型
深度学习为什么需要随机种子
基于随机种子来实现代码中的随机方法,能够 保证多次运行此段代码能够得到完全一样的结果,即保证结果的 可复现性,这样 别人跑你的代码的时候也能够很好地复现出你的结果。
3.2.1 设置模型训练过程
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])
-
loss:用于评价权重设定的代价函数
-
optimizer:搜索最优权重的优化算法
-
metrics:衡量指标
3.2.2 训练函数
-
第一个参数:输入变量
-
第二个参数:输出变量。也就是标签值
-
epochs:指定对整体训练数据集进行训练的循环次数
-
batch_size:对权重进行更新的batch大小
3.2.3 模型评价
scores = model.evaluate(x_test,y_test) |
---|
print("%s: %.2f%%" |