神经网络识别手写优化(三)

前言

本文是为了实现存储自己训练好的模型 结构和参数,以及加载训练好的模型进行预测。

代码

保存

    def save(self,filename):
        """
        模型保存
        :param filename: 文件名 
        :return: 
        """
        data ={ "sizes": self.sizes, #模型结构
                "weights": [w.tolist() for w in self.weights], #tolist转换为列表类型
                "biases": [b.tolist() for b in self.biases],
                "cost": str(self.cost.__name__) #保存一下损失函数
        }
        f=open(filename,"w")
        json.dump(data,f)
        f.close()

加载

def load(filename):
    """
    加载模型
    :param filename: 
    :return: 
    """
    f=open(filename,"r")
    data=json.load(f)
    f.close()
    cost=getattr(sys.modules[__name__],data["cost"]) #找对象
    net=Network(data["sizes"],cost=cost)
    net.weights=[np.array(w) for w in data["weights"]]
    net.biases=[np.array(b) for b in data["biases"]]

    return net
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
神经网络识别手写数字是一个经典的机器学习问题。下面是一个简单的例子,展示如何使用Python和Keras库来训练一个神经网络识别手写数字。 首先,我们需要准备手写数字的数据集。MNIST数据集是一个常用的手写数字数据集,包含了60000个训练样本和10000个测试样本。可以使用Keras库中的mnist.load_data()函数来加载MNIST数据集。 ```python from keras.datasets import mnist # 加载MNIST数据集 (train_images, train_labels), (test_images, test_labels) = mnist.load_data() ``` 接下来,我们需要对数据进行预处理。由于神经网络只能处理数值型数据,因此我们需要将图像数据转换为数字数组。同时,我们还需要对数据进行归一化处理,将像素值缩放到0到1之间。 ```python # 将图像数据转换为数字数组,并进行归一化处理 train_images = train_images.reshape((60000, 28 * 28)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28 * 28)) test_images = test_images.astype('float32') / 255 ``` 接下来,我们可以定义一个简单的神经网络模型。这个模型包含一个输入层、一个隐藏层和一个输出层。输入层和输出层的大小分别为28*28和10,隐藏层的大小为512。激活函数使用ReLU函数,损失函数使用交叉熵,优化器使用RMSprop。 ```python from keras import models from keras import layers # 定义神经网络模型 network = models.Sequential() network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) network.add(layers.Dense(10, activation='softmax')) # 编译模型 network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) ``` 接下来,我们可以使用训练数据来训练神经网络模型。在训练过程中,我们需要将标签数据进行one-hot编码,将其转换为10维向量。 ```python from keras.utils import to_categorical # 将标签数据进行one-hot编码 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) # 训练模型 network.fit(train_images, train_labels, epochs=5, batch_size=128) ``` 最后,我们可以使用测试数据来评估模型的性能。 ```python # 评估模型 test_loss, test_acc = network.evaluate(test_images, test_labels) print('test_acc:', test_acc) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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