python3使用keras简单示例

截至 2017 年 11 月,拥有超过 200,000 个人用户的 Keras 是除 TensorFlow 外被工业界和学术界最多使用的深度学习框架。

简单示例如下:

import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
#输入训练数据 keras接收numpy数组类型的数据
# x=np.array([[0,0,0],
#             [0,0,1],
#             [0,1,0],
#             [0,1,1],
#             [1,0,0],
#             [1,0,1],
#             [1,1,0],
#             [1,1,1]])
# y=np.array([0,0,0,0,1,1,1,1]).T

# x=np.array([[0,0,0],
#             [0,0,1],
#             [0,1,0],
#             [0,1,1],
#             [1,0,0],
#             [1,0,1],
#             [1,1,0],
#             [1,1,1]])
# y=np.array([0,0,1,1,0,0,1,1]).T

# x=np.array([[0,0,0],
#             [0,0,1],
#             [0,1,0],
#             [0,1,1],
#             [1,0,0],
#             [1,0,1],
#             [1,1,0],
#             [1,1,1]])
# y=np.array([0,1,0,1,0,1,0,1]).T

# x=np.array([[0,0,0],
#             [0,0,1],
#             [0,1,0],
#             [0,1,1],
#             [1,0,0],
#             [1,0,1],
#             [1,1,0],
#             [1,1,1]])
# y=np.array([1,0,0,0,0,0,0,1]).T

x=np.array([[0,0,0],
            [0,0,1],
            [0,1,0],
            [0,1,1],
            [1,0,0],
            [1,0,1],
            [1,1,0],
            [1,1,1]])
y=np.array([0,1,0,1,0,1,0,1]).T

#最简单的序贯模型,序贯模型是多个网络层的线性堆叠
simple_model=Sequential()
#dense层为全连接层
#第一层隐含层为全连接层 5个神经元 输入数据的维度为3
simple_model.add(Dense(8,input_dim=3,activation='relu'))
#第二个隐含层 4个神经元
simple_model.add(Dense(4,activation='relu'))
#输出层为1个神经元
simple_model.add(Dense(1,activation='sigmoid'))
#编译模型,训练模型之前需要编译模型
#编译模型的三个参数:优化器、损失函数、指标列表
simple_model.compile(optimizer='sgd',loss='mean_squared_error')
# 多分类问题
# simple_model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
#训练网络 2000次
#Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数
simple_model.fit(x,y,epochs=1000)
#应用模型 进行预测
y_=simple_model.predict_classes(np.array([[0,0,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,0,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,1,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,1,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,0,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,0,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,1,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,1,1]]))
print(y_)

输出结果进行验证无误

  • 0
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
通常,使用示例学习是构建预测模型的一种常见方法。通过使用示例数据集,我们可以训练模型来学习输入特征和相应的输出之间的关系。然后,我们可以使用该模型来进行预测。 在Python中,有多种深度学习库可以用于构建预测模型,例如TensorFlow和PyTorch。这些库提供了丰富的功能和工具,使得构建和训练预测模型变得更加简单和高效。 下面是一个使用TensorFlow构建神经网络预测模型的简单示例[^1]: ```python import tensorflow as tf import numpy as np # 定义训练数据的特征向量X和标签y X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([, , , ]) # 定义神经网络模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(2, activation='relu', input_shape=(2,)), tf.keras.layers.Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(X, y, epochs=1000) # 使用模型进行预测 predictions = model.predict(X) ``` 在这个示例中,我们首先定义了训练数据的特征向量X和标签y。然后,我们使用TensorFlow的Sequential模型来构建一个简单的神经网络模型。模型包含两个全连接层,使用ReLU和Sigmoid激活函数。接下来,我们编译模型,并使用训练数据对模型进行训练。最后,我们使用训练好的模型对输入数据进行预测。 通过这个示例,你可以了解到如何使用Python构建预测模型,并使用示例数据进行训练和预测。当然,在实际应用中,你可能需要根据具体的问题和数据集进行适当的调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值