keras深度学习浅层网络非线形分类示例

最新推荐文章于 2024-01-01 18:55:06 发布

cmd_dl

最新推荐文章于 2024-01-01 18:55:06 发布

阅读量353

点赞数

分类专栏： deep learning 文章标签：深度学习分类全链接分类

本文链接：https://blog.csdn.net/cmdholder/article/details/85935391

版权

本文通过Keras构建浅层全链接网络，展示非线性分类。利用10000个二维特征的训练数据，模拟抛物线分界线，训练网络以达到分类目的。实验表明，即使网络简单，也能通过训练拟合复杂边界，如抛物线。增加测试数据可观察更细致的分类效果。

摘要由CSDN通过智能技术生成

首先随机生成10000个training数据X（x1, x2）， x1, x2取值范围都为0-500随机数。

我们把x1, x2当作一个点(x, y) 的两个特征放在二维平面可以很直观看到training数据的分布。

然后取一个分界线，这里随便弄个抛物线：

A = 0.2
B = -20
C = 500
y = A * p_x1 ** 2 + B * p_x1 + C

如果training数据在这个抛物线的上方，我们显示为绿色1，在抛物线下方我们显示为蓝色0，所以我们label Y 为0或者1.

相关代码：

p_x1 = np.random.rand(10000) * 500
p_x2 = np.random.rand(10000) * 500
p_x_trigger = A * p_x1 ** 2 + B * p_x1 + C

p_x = np.zeros((10000, 2))
p_x[:,0] = p_x1
p_x[:,1] = p_x2
p_y = (p_x2 > p_x_trigger)*1

我们随便组织几层浅层全链接网络来尝试训练：

model.add(Dense(2, activation='relu', input_shape=(2,)))
model.add(Dense(4, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(2, activation='softmax'))

只要保证输入和输出的大小为2，因为我们的类型只有0和1