“智能”（4）——高维空间(多输入)&keras框架

---

一、多输入模型该怎么办

1. 为什么要引入多输入模型

描述一个物体不可能只是从一个层面（特征）去描述，所以当有多个特征时我们就需要使用多输入模型来构建我们所需要的模型。、

2.示例

构建模型函数：
$z=w1\ast x1+w2\ast x2+b$
激活函数;
$a=sigmoid(z)$
这时候我们需要反向传播修正的参数就变成了：w1 ,w2 ,b 使用上节课所说的求导的链式法则即可完成反向传播。

二、基于keras框架实现神经网络

代码：

from keras import models
from keras.engine import sequential
import dataset
import numpy as np
import plot_utils
from keras.models import Sequential         #堆叠神经网络的序列
from keras.layers import Dense              #全连接层
# from keras.optimizers import SGD
from tensorflow.keras.optimizers import SGD
m = 100
X,Y = dataset.get_beans4(m)
plot_utils.show_scatter(X,Y)

model = Sequential()
model.add(Dense(units=2,activation='sigmoid',input_dim = 2))
model.add(Dense(units=1,activation='sigmoid'))

model.compile(loss= 'mean_squared_error' , optimizer=SGD(lr = 0.08), metrics=['accuracy'])  #代价函数-均方误差  优化器-梯度下降  评估标准-准确度

model.fit(X,Y,epochs=5000,batch_size=10)        #回合数epochs（所有数据处理完表示一个回合）     批量数batch——size（每次处理多少个数据）

pres = model.predict(X)

plot_utils.show_scatter_surface(X,Y,model)

1、model.add(Dense(units=2,activation=‘sigmoid’,input_dim = 2))

表示模型加入节点其中，
units = 2：表示添加两个节点。
input_dim = 2：表示两个输入

后面的
model.add(Dense(units=2,activation=‘sigmoid’,input_dim = 2))
model.add(Dense(units=1,activation=‘sigmoid’)) 表示第二层神经元的创建

2、model.compile(loss= ‘mean_squared_error’ , optimizer=SGD(lr = 0.08), metrics=[‘accuracy’])

loss= ‘mean_squared_error’ 表示使用的代价函数为均方差
optimizer=SGD(lr = 0.08) 表示优化器：梯度下降 lr 表示学习率
metrics=[‘accuracy’] 表示评估标准准确度

三、python知识点

1. numpy 切片

ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

示例：

import numpy as np
 
a = np.arange(10)
s = slice(2,7,2)   # 从索引 2 开始到索引 7 停止，间隔为2
print (a[s])

输出结果为：[2 4 6]

import numpy as np
 
a = np.arange(10)
print(a[2:])

输出结果为：[2 3 4 5 6 7 8 9]

import numpy as np
 
a = np.arange(10)
print(a[:2])

输出结果为：[0 1]

---

以上是B站ele实验室 上课学习笔记。