Keras深度学习之示例应用

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>