4.1 输入——预测数值模型示例
4.1.1 模型准备
-
线性回归模型
w = np.cov(X,Y,bias=1)[0,1]/np.var(X) b = np.average(Y) - w * np.average(X) -
感应器神经网络模型
是最基本的感应器神经网络模型,只有一个Dense层,一个神经元
model = Sequential() model.add(Dense(1,input_dim=1)) -
多层感应器神经网络模型
是由两个Dense层构成的神经网络模型。第一层是由64个神经元构成的Dense层,调用便于处理误差反向传播的relu函数作为激活函数;第二层输出层只输出一个预测值,只有一个神经元,不需调用激活函数
model = Sequential() model.add(Dense(64,input_dim=1,activation='relu')) model.add(Dense(1)) -
深度多层感应器神经网络模型
是由三个Dense层构成的神经网络模型。第一、二层是具有64个神经元的Dense层,调用便于处理误差反向传播的relu函数作为激活函数;第三层输出层只输出一个预测值,只有一个神经元,不需调用激活函数
model = Sequential() model.add(Dense(64,input_dim=1,activation='relu')) model.add(Dense(64,activation='relu')) model.add(Dense(1))
4.1.2 训练结果比较
模型训练所需时间排序:
感应器神经网络>多层感应器神经网络>深度多层感应器神经网络
4.2 输入数值二元分类模型示例
4.2.1 准备模型
输出层调用sigmoid函数作为激活函数
4.2.2 训练结果比较
模型训练所需时间排序:
感应器神经网络>多层感应器神经网络>深度多层感应器神经网络
4.3 输入数值多元分类问题模型示例
4.3.1 准备模型
输出层调用softmax函数作为激活函数
4.3.2 训练结果比较
模型训练所需时间排序:
感应器神经网络>多层感应器神经网络>