深度学习——keras训练RNN模型

深度学习——keras训练RNN模型

RNN原理：（Recurrent Neural Networks)循环神经网络。它在隐藏层的各个神经元之间是有相互作用的，能够处理那些输入之间前后有关联的问题。在 RNN 中，前一时刻的输出会和下一时刻的输入一起传递下去，相当于一个随时间推移的数据流。和前馈神经网络不同的是，RNN 可以接收序列化的数据作为输入，也可以返回序列化值作为输出，对时间序列上的变化进行建模。由于样本出现的时间顺序对于自然语言处理、语音识别、手写体识别等应用非常重要，故RNN模型在该领域内广泛被认可。

用 RNN 训练语言模型生成文本

---

训练代码详解：

思路整理：我们使用RNN对datasets.mnist数据进行分类，将图像28×28的分辨率理解为一个（信息行数×时间节点）序列数据，建立RNN_cell分类训练，并计算误差、精度。

• 导入相关模块（module）:

import numpy as np
np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import SimpleRNN, Activation, Dense
from keras.optimizers import Adam

• 参数初始化：