Keras之RNN和LSTM

RNN是循环神经网络：主要场景是语音识别、机器学习翻译、文本分类

RNN是简单的循环网络，无法处理长文本的分类，所以提出LSTM长短型记忆循环神经网络，

还有RNN双向循环神经网络、RNN双层循环神经网络、还有GRU门循环神经网络。

RNN会出现梯度爆炸和梯度消失的问题，升级LSTM级GRU

tanh导数在0-1之间，当其与w相乘小于1时，随着循环次数的增加，最终会导致趋于0，造成梯度消失，相反如果w和tanh乘积大于1时，随着循环次数增加会出现梯度爆炸。

展开之后：

import numpy as np
from keras.datasets import mnist  #直接从keras里面应用数据集
from keras.utils import np_utils  #keras 里面用到的一个 np 的工具包
from keras.models import Sequential

from keras.layers import Dense
from keras.layers.recurrent import SimpleRNN,LSTM,GRU #常见的就这三种
from keras.optimizers import Adam


#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data() #分为测试集和训练集


x_train=x_train/255.0
x_test=x_test/255.0

#标签转换成 one hot 格式
y_train=np_utils.to_categorical(y_train,num_classes=10)#专门用来转格式的包
y_test=np_utils.to_categorical(y_test,num_classes=10)



#定义模型的顺序
#写一个的话是有两层，写两个的话是有3层
model=Sequential()
model.add(SimpleRNN(
    units=50,            #输出是50
    input_shape=(28,28)  #输入的形状.
))

#输出层
model.add(Dense(10,activation='softmax'))

#定义优化器
adam=Adam(lr=1e-4)

#使用优化器和 loss函数，在训练的过程中计算精确度
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=["acc"])

model.fit(x_train,y_train,batch_size=64,epochs=10)

loss,accuracy=model.evaluate(x_test,y_test)

print("损失函数*********",loss)
print("精确度**********",accuracy)