快速入门Django（结合深度学习DNN实例）

最新推荐文章于 2023-12-04 11:17:27 发布

帅金毛

最新推荐文章于 2023-12-04 11:17:27 发布

阅读量4.8k

点赞数 6

分类专栏： Web Deep learning

本文链接：https://blog.csdn.net/qq1376725255/article/details/88931793

版权

本文介绍了如何使用Keras创建一个DNN深度学习模型，解决IRIS数据集的多分类问题，并展示了如何在Django框架下保存、加载模型。通过views.py、models.py和urls.py的配置，将预测结果存入数据库，并在网页展示。项目适合Django和深度学习初学者，虽然存在一些粗糙之处，但能快速看到实际效果。

摘要由CSDN通过智能技术生成

在熟悉了简单操作后，做一点有意思的事情吧

本文实现的功能：
1.使用Keras创建，DNN深度学习网络模型，解决多分类问题，数据集是IRIS数据集。
2.Keras模型保存，及重新加载
2.结合我的上一篇文章的结果，最终实现了，由网页写入data，将data传入已经训练好的模型，predict结果输入数据库，最终将predict显示在网页。

此篇project非常适合入门，能够快速看到结果，但某些细节好比较粗糙，有待完善。欢迎指正与交流。

参考的博客，但调试时有很多bug，自己做了些改动，此处附上原博客链接：
是https://www.jianshu.com/p/1d88a6ed707e

1.Keras创建DNN深度学习网络模型

前期准备

如果想用在你的电脑上使用Keras，需要以下工具：

Python
TensorFlow
Keras

这里，选择TensorFlow作为Keras的后端工具。使用以下Python代码，可以输出Python、TensorFlow以及Keras的版本号：

import sys
import keras as K
import tensorflow as tf

py_ver = sys.version
k_ver = K.__version__
tf_ver = tf.__version__

print("Using Python version " + str(py_ver))
print("Using Keras version " + str(k_ver))
print("Using TensorFlow version " + str(tf_ver))

IRIS数据集

IRIS数据集（鸢尾花数据集），经典的机器学习数据集，适合作为多分类问题的测试数据。
IRIS数据集是用来给鸢尾花做分类的数据集，一共150个样本，每个样本包含了花萼长度（sepal length in cm）、花萼宽度（sepal width in cm）、花瓣长度（petal length in cm）、花瓣宽度（petal width in cm）四个特征，将鸢尾花分为三类，分别为Iris Setosa，Iris Versicolour，Iris Virginica，每一类都有50个样本。

DNN代码

DNN结构：
搭建的DNN由输入层、隐藏层、输出层和softmax函数组成，其中输入层由4个神经元组成，对应IRIS数据集中的4个特征，作为输入向量。
隐藏层有两层，每层分别有5和6个神经元。
之后就是输出层，由3个神经元组成，对应IRIS数据集的目标变量的类别个数。
最后，就是一个softmax函数，用于解决多分类问题而创建。

直接上代码：

# 导入模块
import os
import numpy as np
import keras as K
import tensorflow as tf
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

#from keras.models import load_model
from keras.models import load_model as keras_load_model

# 读取CSV数据集，并拆分为训练集和测试集
# 该函数的传入参数为CSV_FILE_PATH: csv文件路径
def load_data(CSV_FILE_PATH):
    IRIS = pd.read_csv(CSV_FILE_PATH)
    target_var = 'Species'  # 目标变量
    # 数据集的特征
    features = list(IRIS.columns[1:6])
    
    features.remove(target_var)
    # 目标变量的类别
    Class = IRIS[target_var].unique()
    # 目标变量的类别字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增加一列target, 将目标变量进行编码
    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])
    # 对目标变量进行0-1编码(One-hot Encoding)
    lb = LabelBinarizer()
    lb.fit(list(Class_dict.values()))
    transformed_labels = lb.transform(IRIS['target'])
    y_bin_labels = []  # 对多分类进行0-1编码的变量
    for i in