from keras.datasets import mnist
import keras # 深度学习框架
import keras.models # 模型
from keras.models import Sequential # 神经网络
from keras.layers import Dense, Dropout, Flatten # 处理神经网络层
from keras.layers import Conv2D, MaxPool2D # 处理平面数据
from keras.layers import Activation
from keras import backend as K # 处理结束
from keras.optimizers import RMSprop # 优化
from keras.utils import np_utils
(x_train, y_train), (x_test, y_test) = mnist.load_data() # 载入数据
x_train = x_train.reshape(x_train.shape[0], -1) / 255 # 形状调整,颜色 0-255, 百分处理
x_test = x_test.reshape(x_test.shape[0], -1) / 255
y_train = np_utils.to_categorical(y_train, num_classes=10) # 结果数据,0-9,10类,分类10个
y_test = np_utils.to_categorical(y_test, num_classes=10)
# 建立模型
model = Sequential([
Dense(32, input_dim=784),
Activation("relu"),
Dense(10),
Activation("softmax"),]
)
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-8, decay=0) # 优化参数
model.compile(optimizer=rmsprop,
loss="categorical_crossentropy", # 损失函数,最小
metrics=["accuracy"]) # 精准
model.fit(x_train, y_train, nb_epoch=5, batch_size=32) # 训练
print(model.evaluate(x_test, y_test)) # loss的数值,精确度
深度学习:keras实现分类
最新推荐文章于 2024-08-21 04:30:28 发布
本文将探讨如何利用keras库构建和训练深度学习模型进行分类任务。通过实例,我们将详细介绍数据预处理、构建神经网络模型、训练与评估模型的步骤,展示keras在处理分类问题上的强大能力。
摘要由CSDN通过智能技术生成