第十章 keras 人工神经网络

最新推荐文章于 2022-09-15 14:25:04 发布
最新推荐文章于 2022-09-15 14:25:04 发布
阅读量284 收藏 1
点赞数
分类专栏： 机器学习笔记 Python 文章标签： 机器学习 tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42250782/article/details/113778187
版权

第十章 keras 人工神经网络

目录

10.1.3 感知机

import numpy as np

from sklearn.datasets import load_iris
from sklearn.linear_model import Perceptron


iris = load_iris() # type: sklearn.utils.Bunch

iris.target_names

array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

iris.target

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

iris.data[:5]

array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
       [5. , 3.6, 1.4, 0.2]])

X = iris.data[:, (2, 3)] # petal length, petal width

y = (iris.target == 0).astype(np.int)

per_clf = Perceptron()
per_clf.fit(X, y)

Perceptron()

y_pred = per_clf.predict([[2, 0.5]])
print(y_pred)

[0]

10.1.4 MLP

激活函数

  • 越阶函数
  • sigmoid函数
    -双曲正切函数
    -线性整流单位函数
from matplotlib import pyplot as plt
%matplotlib inline

font = {'family' : 'SimHei',
    'weight' : 'bold',
     'size'   : '12'}
plt.rc('font', **font)          # 步骤一（设置字体的更多属性）
plt.rc('axes', unicode_minus=False)  # 步骤二（解决坐标轴负数的负号显示问题）

line_x = np.linspace(-3, 3, 100)
def heaviside(x):
    # 越阶函数
    return 0 if x <= 0 else 1

def sigmoid(x):
    # sigmoid 逻辑回归函数
    return 1 / ( 1 + np.exp(-x))

def tanh(x):
    # 双曲正切函数
    y = ( np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))
    return y
    # 或者
    #return 2 * sigmoid(2 * x) - 1
    
def relu(x):
    # 线性整流单位函数
    return max(0, x)

y_heaviside = np.vectorize(heaviside, otypes=[np.float64])(line_x)
y_sigmoid = np.vectorize(sigmoid, otypes=[np.float64])(line_x)
y_tanh = np.vectorize(tanh, otypes=[np.float64])(line_x)
y_relu = np.vectorize(relu, otypes=[np.float64])(line_x)


plt.grid(True)
plt.plot(line_x, y_heaviside, 
         line_x, y_sigmoid, 
         line_x, y_tanh, 
         line_x, y_relu
        )
plt.legend(('heaviside', 'sigmoid', 'tanh', 'relu'), loc="upper left")
plt.title("激活函数")

Text(0.5, 1.0, '激活函数')

在这里插入图片描述

10.2 使用Keras实现MLP

import tensorflow as tf
from tensorflow import keras
tf.__version__

'2.4.1'

keras.__version__

'2.4.0'

10.2.2 使用顺序API构建图像分类器

fashion_mnist = keras.datasets.fashion_mnist

(X_train_full, y_train_full), (X_test, y_test) = fashion_mnist.load_data()

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 2us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 3s 1us/step

type(X_train_full)

numpy.ndarray

X_train_full.shape, X_train_full.dtype

((60000, 28, 28), dtype('uint8'))

X_valid, X_train = X_train_full[: 5000] / 255.0, X_train_full[5000: ] / 255.0
y_valid, y_train = y_train_full[:5000], y_train_full[5000: ]

class_names = ["T-shirt/top", "Trouser", "Pullover", "Dress", "Coat",
              "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot"]
class_names[y_train[0]]

'Coat'

class_index = np.unique(y_train_full)
print(class_index, type(class_index))

[0 1 2 3 4 5 6 7 8 9] <class 'numpy.ndarray'>

picture_one = X_train_full[5000]

import random
from PIL import Image
def get_class_picture_map(X, y):
    #y_length = len(y)
    classes = np.unique(y)
    m = {}
    for i in classes:
        # 取出第五个值
        index = np.argwhere(y == i)[5][0]
        m[i] = X[int(index)]
    return m
print(y_train_full.shape)
cls_pic_map = get_class_picture_map(X_train_full, y_train_full)
print(len(cls_pic_map))

(60000,)
10

for i, p in cls_pic_map.items():
#     print(p.shape)
    image_ = Image.fromarray(p).convert("RGB")
    plt.figure(dpi=20)
    plt.imshow(image_)
    plt.axis("off")
    plt.title(class_names[i],fontsize=50)
plt.show()

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

# summary显示模型所有层
model.summary()

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten_1 (Flatten)          (None, 784)               0         
_________________________________________________________________
dense (Dense)                (None, 300)               235500    
_________________________________________________________________
dense_1 (Dense)              (None, 100)               30100     
_________________________________________________________________
dense_2 (Dense)              (None, 10)                1010      
=================================================================
Total params: 266,610
Trainable params: 266,610
Non-trainable params: 0
_________________________________________________________________

# 编译模型
model.compile(loss="sparse_categorical_crossentropy",
             optimizer="sgd", metrics=["accuracy"])


# 训练模型
history = model.fit(X_train, y_train, epochs=20, validation_data=(X_valid, y_valid))

Epoch 1/20
1719/1719 [==============================] - 8s 4ms/step - loss: 0.9757 - accuracy: 0.6948 - val_loss: 0.5338 - val_accuracy: 0.8212
Epoch 2/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.5009 - accuracy: 0.8266 - val_loss: 0.4571 - val_accuracy: 0.8446
Epoch 3/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.4512 - accuracy: 0.8410 - val_loss: 0.4102 - val_accuracy: 0.8562
Epoch 4/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.4188 - accuracy: 0.8516 - val_loss: 0.4319 - val_accuracy: 0.8498
Epoch 5/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.4018 - accuracy: 0.8590 - val_loss: 0.3761 - val_accuracy: 0.8688
Epoch 6/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3874 - accuracy: 0.8623 - val_loss: 0.3916 - val_accuracy: 0.8634
Epoch 7/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3681 - accuracy: 0.8718 - val_loss: 0.3972 - val_accuracy: 0.8620
Epoch 8/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3598 - accuracy: 0.8715 - val_loss: 0.3550 - val_accuracy: 0.8746
Epoch 9/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3433 - accuracy: 0.8750 - val_loss: 0.3514 - val_accuracy: 0.8728
Epoch 10/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3349 - accuracy: 0.8799 - val_loss: 0.3512 - val_accuracy: 0.8754
Epoch 11/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3185 - accuracy: 0.8861 - val_loss: 0.3562 - val_accuracy: 0.8702
Epoch 12/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.3198 - accuracy: 0.8852 - val_loss: 0.3404 - val_accuracy: 0.8776
Epoch 13/20
1719/1719 [==============================] - 8s 5ms/step - loss: 0.3108 - accuracy: 0.8885 - val_loss: 0.3316 - val_accuracy: 0.8784
Epoch 14/20
1719/1719 [==============================] - 8s 4ms/step - loss: 0.3085 - accuracy: 0.8882 - val_loss: 0.3419 - val_accuracy: 0.8762
Epoch 15/20
1719/1719 [==============================] - 8s 5ms/step - loss: 0.3017 - accuracy: 0.8916 - val_loss: 0.3321 - val_accuracy: 0.8812
Epoch 16/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.2899 - accuracy: 0.8958 - val_loss: 0.3393 - val_accuracy: 0.8768
Epoch 17/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.2842 - accuracy: 0.8978 - val_loss: 0.3240 - val_accuracy: 0.8850
Epoch 18/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.2836 - accuracy: 0.8974 - val_loss: 0.3104 - val_accuracy: 0.8892
Epoch 19/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.2713 - accuracy: 0.9015 - val_loss: 0.3028 - val_accuracy: 0.8914
Epoch 20/20
1719/1719 [==============================] - 7s 4ms/step - loss: 0.2632 - accuracy: 0.9065 - val_loss: 0.3059 - val_accuracy: 0.8918

# 使用fit()函数返回的history, 绘制学习曲线
history_df = pd.DataFrame.from_dict(history.history)

history_df.plot()

<AxesSubplot:>

在这里插入图片描述

# 使用模型预测
X_new = X_test[:3]
y_proba = model.predict(X_new)
y_proba.round(3)

array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)

# 返回概率高的类
#y_pred = model.predict_classes(X_new) 过时的方法
y_pred = np.argmax(model.predict(X_new), axis=-1)
y_pred

array([9, 2, 1])

np.array(class_names)[y_pred]

array(['Ankle boot', 'Pullover', 'Trouser'], dtype='<U11')

for p, i in zip(X_new, y_pred):
#     print(p.shape)
    image_ = Image.fromarray(p).convert("RGB")
    plt.figure(dpi=20)
    plt.imshow(image_)
    plt.axis("off")
    plt.title(class_names[int(i)],fontsize=50)
plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

10.2.3 使用顺序API构建回归MLP

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

housing = fetch_california_housing()

print(type(housing))
# 将数据集分为，训练集与测试集
X_train_full, X_test, y_train_full, y_test = train_test_split(housing.data, housing.target)

X_train, X_valid, y_train, y_valid = train_test_split(X_train_full, y_train_full)


<class 'sklearn.utils.Bunch'>

# 将数据平移、归一化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_valid = scaler.transform(X_valid)
X_test = scaler.transform(X_test)

print(type(X_train), type(X_valid), type(X_test))
print(X_train.shape)

<class 'numpy.ndarray'> <class 'numpy.ndarray'> <class 'numpy.ndarray'>
(11610, 8)

# 构建模型
from tensorflow import keras
model = keras.models.Sequential([
    keras.layers.Dense(30, activation="relu", input_shape=X_train.shape[1:]),
    keras.layers.Dense(1)
])
# 编译模型
model.compile(loss="mean_squared_error", optimizer="sgd")
history = model.fit(X_train, y_train, epochs=20, validation_data=(X_valid, y_valid))

Epoch 1/20
363/363 [==============================] - 3s 4ms/step - loss: 1.5201 - val_loss: 25.5889
Epoch 2/20
363/363 [==============================] - 1s 2ms/step - loss: 3.2021 - val_loss: 0.4432
Epoch 3/20
363/363 [==============================] - 1s 2ms/step - loss: 0.4294 - val_loss: 0.4002
Epoch 4/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3965 - val_loss: 0.3866
Epoch 5/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3773 - val_loss: 0.3894
Epoch 6/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3703 - val_loss: 0.3856
Epoch 7/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3698 - val_loss: 0.3835
Epoch 8/20
363/363 [==============================] - 1s 2ms/step - loss: 0.7318 - val_loss: 0.3811
Epoch 9/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3576 - val_loss: 0.3776
Epoch 10/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3729 - val_loss: 0.3738
Epoch 11/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3485 - val_loss: 0.3728
Epoch 12/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3535 - val_loss: 0.3759
Epoch 13/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3613 - val_loss: 0.3684
Epoch 14/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3419 - val_loss: 0.3730
Epoch 15/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3581 - val_loss: 0.3701
Epoch 16/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3478 - val_loss: 0.3672
Epoch 17/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3490 - val_loss: 0.3703
Epoch 18/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3351 - val_loss: 0.3683
Epoch 19/20
363/363 [==============================] - 1s 1ms/step - loss: 0.3319 - val_loss: 0.3627
Epoch 20/20
363/363 [==============================] - 1s 2ms/step - loss: 0.3495 - val_loss: 0.3753

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

font = {'family' : 'SimHei',
    'weight' : 'bold',
     'size'   : '12'}
plt.rc('font', **font)          # 步骤一（设置字体的更多属性）
plt.rc('axes', unicode_minus=False)  # 步骤二（解决坐标轴负数的负号显示问题）
# 绘制学习曲线
history_df = pd.DataFrame.from_dict(history.history)
history_df.plot()
plt.grid(True)
plt.xlabel("训练次数")
plt.ylabel("误差")
plt.show()

在这里插入图片描述

# 验证集评估泛化性能
mse_test = model.evaluate(X_test, y_test)

162/162 [==============================] - 0s 1ms/step - loss: 0.3848

# 使用model预测数据
X_new = X_test[:3]
y_pred = model.predict(X_new)

print(y_pred)
print(y_test[:3])

[[2.189899 ]
 [1.6507447]
 [1.7364986]]
[1.875 1.647 2.239]
&Dirac
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
keras人工神经网络构建入门
weixin_30646315的博客
07-30 286
//2019.07.29-301、Keras 是提供一些高度可用神经网络框架的 Python API ，能帮助你快速的构建和训练自己的深度学习模型，它的后端是 TensorFlow 或者 Theano 。 2、Keras 被认为是构建神经网络的未来，以下是一些它流行的原因：(1)轻量级和快速开发：Keras的目的是在消除样板代码。几行Keras代码就能比原生的 TensorFlow 代...
用 Keras 编写你的第一个人工神经网络（Python）—— Jinkey 翻译
zhaoyuxia517的博客
09-15 1185
译者：Jinkey（微信公众号 jinkey-love） 英文原版地址：点击跳转 教程概述 这里不需要编写太多的代码,不过我们将一步步慢慢地告诉你怎么以后怎么创建自己的模型。 教程将会涵盖以下步骤: 加载数据定义模型编译模型训练模型评估模型结合所有步骤在一起 这个教程的前置条件: 有 python 2 或 3 的环境和编程基础安装并配置好 Scipy 库（包括 N
【机器学习实战】Keras人工神经网络简介
hhhenjoy的博客
09-28 323
使用Keras实现MLP 加载数据集 import tensorflow as tf from tensorflow import keras from keras.datasets import fashion_mnist (X_train_full, y_train_full), (X_test, y_test) = fashion_mnist.load_data() X_valid, X_train = X_train_full[:5000]/255.0, X_train_full[5000:]/2
第十章 keras 人工智能神经网络
qq_42250782的博客
02-21 240
第十章 keras 人工智能神经网络 目录第十章 keras 人工智能神经网络10.2.8 使用TensorBoard可视化配置TensorBoard路径训练一个模型TensorBoard可视化 编写时间与版本信息： time: 2021-02-21 03:21:00 python version: 3.8.6 sklearn version: 0.24.1 tensorflow verson: 2.4.1 keras version: 2.4.0 10.2.8 使用TensorBoard可视化 配置Te
机器学习实战（一）Keras 人工神经网络简介
weixin_50862344的博客
09-15 489
使用的数据集是mnist数据集学习简单的人工神经网络
深度神经网络应用(Keras)/ Applications of Deep Neural Networks with Keras
最新发布
12-29
第十章“Keras中的时间序列”专注于序列数据的处理，如股票价格预测或自然语言处理，其中会讲解LSTM和GRU等递归神经网络模型。 第十一章“Hugging Face的自然语言处理”介绍了这个流行的NLP库，它包含许多预训练的...
人工神经网络编程内容,神经网络用什么编程
shirley67269的博客
08-10 647
对数学好的同学来说，可能最致命的是一个误区，因为计算机的基础是数学，所以完全使用数学思维去解决计算机问题是没问题的，我这里只能说计算机有自己的思维模式，哪怕是那些基于数学原理的算法问题，所以数学专业的同学必须要学会认识到这种思维的差异并学会使用计算机的思维来解决问题，而机器学习则是计算机思维的一个典型代表，这个将会在课程中具体讨论。数学也绝对不是学习这门课的障碍，但是如果你想以其作为职业，去打好这个数学的底子是不可或缺的。当您创建深度神经网络时，您将了解激活函数，并应用它们打破堆叠层的线性并创建分类输出。.
机器学习-05. 分类器项目案例和神经网络算法
07-16
第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架
机器学习-14. 卷积神经网络深入、AlexNet模型
07-16
第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架
机器学习-15. Keras深度学习框架
07-16
第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架
边境的悍匪—机器学习实战：第十章 Keras人工神经网络简介
m0_46441844的博客
05-07 680
第十章 Keras人工神经网络简介 文章目录第十章 Keras人工神经网络简介前言一、思维导图二、主要内容三、课后练习四、总结 前言 一、思维导图 二、主要内容 三、课后练习 四、总结 对文章有任何疑惑或者想要和博主一起学机器学习一起进步的朋友们可以添加 群号：666980220。需要机器学习实战电子版或是思维导图的也可以联系我。祝你好运！ 项目地址: github ...
python做神经网络选择scikit-learn neurolab keras_《Scikit-Learn、Keras与TensorFlow机器学习实用指南（第二版）》第10章 使用Keras搭建人...
weixin_39692245的博客
12-19 555
Aurélien 在写第二版时，对下半部分深度学习各章节的修订非常非常大(前面机器学习的部分更改只有10%，只是新加了一个第9章)，所以还是先看变动大的深度学习部分吧。看了第10章，真是比第一版强太多了，讲的特别细，特别有耐心。鸟类启发人类飞翔，东洋参启发了魔术贴的发明，大自然启发人类实现了无数发明创造。通过研究大脑来制造智能机器，也符合这个逻辑。人工神经网络(ANN)就是沿着这条逻辑诞生的：人工...
Keras深度学习实战（2）——使用Keras构建神经网络
热门推荐
盼小辉丶的博客
04-20 6万+
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........
基于Keras的人工神经网络（ANN）实现Fashion-MNIST分类模型
KGV093的博客
07-21 2195
仿照TensorFlow官方教程中的Basic classification: Classify images of clothing ，自己写一遍最朴素的人工神经网络来实现Fashion_MNIST分类模型。 Coursera上学了快两个月理论终于有了个稍微像样的实操...... import tensorflow as tf from tensorflow import keras import numpy as np import matplotlib.pyplot as plt fashi
使用tensorflow 2第i部分使计算机视觉英雄零
weixin_26729375的博客
10-15 681
免责声明！(Disclaimer!) This series doesn’t explain the underlying mathematics of the algorithms but only focuses on the logical implementation and reasoning for using specific algorithms with a certain se...
机器学习:鸢尾花iris二分类和手写数字识别mnist二分类
DDxuexi的博客
03-31 976
# 导包 import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from machine_learing.lib.logistic_regression_gd import LogisticRegression import machine_learing.lib.metrics as metrics 没有导入需要的包,可以定义成函数的形式 import nu
Keras实现神经网络步骤
王猛的专栏
03-12 575
from keras.models import Sequential,Model from keras.layers import Dense,Activation,Input input = Input(shape=(784,)) x1 = Dense(64,activation='relu')(input) #第一根隐含层，以input作为参数 x2 = Dense(6...
神经网络的keras实现
WFRainn的博客
05-22 9573
上一篇文章讲了神经网络的基本原理和其tensorflow的实现，这次说一下其keras的实现方法，keras是构建在tensorflow基础上的python第三方库，专门用于神经网络的构建与计算，同时还集成了scikit-learn库，使得可以在神经网络的构建中运用机器学习的方法。现在就用keras来构建之前构建过的神经网络。 实现代码 首先导入所需要的包： from keras.mod...
基于tensorflow2.0的深度学习 一
点西西的博客
04-14 870
人工神经网络 Artificial neural networks(ANN) 一、神经元->感知器->多层感知器 感知器（The Perceptron） 神经元： 神经元是线性阈值单元(LTU)、又叫阈值逻辑单元（TLU） LTU的工作： 首先每个输入都有一个对应的权重 然后LTU对其加权求和：z = w1 x1 + w2 x2 + ⋯ + wn xn = x⊺ w 再对结果应用一个...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值