Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生,能够把你的idea迅速转换为结果。
有多迅速?引用某乎的一句话
当别人还在搞懂怎么输入数据(tensorflow)的时候我都可以跑通模型调参优化了(Keras)
所以机器学习的新手们请不要犹豫,盘它!
点击此处,不用装环境,就可以直接线上运行👇
推荐新手教程:
其他x题系列:
- 50道练习带你玩转Pandas
- 这100道练习,带你玩转Numpy
- 35题初探scikit-learn库,get机器学习好帮手√
- 50题matplotlib从入门到精通
- 40题刷爆Keras,人生苦短我选Keras
- 60题PyTorch简易入门指南,做技术的弄潮儿
- 50题真 • 一文入门TensorFlow2.x
- 90题细品吴恩达《机器学习》,感受被刷题支配的恐惧
- 170题吴恩达《深度学习》面面观,一套更比三套强
- 【抗击新冠特别篇】33题数据可视化实战
目录
零、导入
1.导入 Keras 库,并打印版本信息
import keras
print(keras.__version__)
一、一个简单的例子
使用MLP模型实现手写数字图像MNIST的分类
1.1 选择模型
2.初始化一个顺序模型(Sequential)
model = Sequential()
1.2 构建网络
3.为model
加入一个784输入,784个输出的隐藏层,激活函数使用relu
model.add(Dense(units=784, activation='relu', input_dim=784))
4.在之前的基础上为model
加入10个输出的输出层,激活函数使用softmax
model.add(Dense(units=10, activation='softmax'))
5.通过.summary()
查看模型参数情况
model.summary()
1.3 编译模型
6.使用.compile()
来配置学习过程,代价函数loss
使用categorical_crossentropy
,优化算法optimizer
使用sgd
,性能的指标使用accuracy
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
1.4 训练
读入数据(略)
7.将y
值进行one-hot编码
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)
8.将数据送入模型训练
model.fit(x_train, y_train, epochs=5, batch_size=32)
9.评估模型性能
score = model.evaluate(x_test, y_test, batch_size=128)
print("loss:",score[0])
print("accu:",score[1])
1.5 预测
10.使用模型进行预测
model.predict_classes(x_test, batch_size=128)