人工神经网络
上一篇: 贝叶斯算法的应用
1、人工设计网络理论基础
人工神经网络主要应用于分类
参考链接:给初学者们讲解人工神经网络(ANN)
人工神经网络概念梳理与实例演示
BP神经网络
深入浅出BP神经网络算法的原理
2、人工设计网络实现实战
实例1 课程销量的预测
# -*- coding: utf-8 -*-
# --------------------------------------
# @Time : 2019/10/23 15:58
# @Author : hxf
# @Email : 1870212598@qq.com
# @File : bp.py
# Description : BP人工神经网络的实现
# ----------------------------------
'''
BP人工神经网络的实现:
1、读取数据
2、导入模块 keras.models Sequential / keras.layers.core Dense Activation
3、Sequential 建立模型
4、Dense 建立层
5、Activation 设定激活函数
6、compile 模型编译
7、fit 训练(学习)
8、验证 (测试、分类预测)
'''
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 使用人工神经网络预测课程销量
# 数据的读取与整理
import pandas as pda
fname = "data/lesson.csv"
dataf = pda.read_csv(fname, encoding="gbk")
x = dataf.iloc[:, 1:5].values
y = dataf.iloc[:, 5].values
for i in range(0, len(x)):
for j in range(0, len(x[i])):
thisdata = x[i][j]
if (thisdata == "是" or thisdata == "多" or thisdata == "高"):
x[i][j] = int(1)
else:
x[i][j] = -1
for i in range(0, len(y)):
thisdata = y[i]
if (thisdata == "高"):
y[i] = 1
else:
y[i] = -1
# 容易错的地方:直接dtc训练
# 正确的做法:转化好格式,将x,y转化为数据框,然后再转化为数组并指定格式
xf = pda.DataFrame(x)
yf = pda.DataFrame(y)
x2 = xf.values.astype(int)
y2 = yf.values.astype(int)
# print(x2)
# 使用人工神经网络模型
from keras.models import Sequential
from keras.layers.core import Dense,Activation
model=Sequential()
# 输入层
model.add(Dense(10,input_dim=len(x2[0])))
model.add(Activation("relu"))
# 输出层
model.add(Dense(1,input_dim=1))
model.add(Activation("sigmoid"))
# 模型的编译
model.compile(loss="binary_crossentropy",optimizer="adam") # 损失函数、求解方法、分类模型
# 训练
model.fit(x2,y2,nb_epoch=1000,batch_size=100) # 学习次数、批处理参数
# 预测分类
rst=model.predict_classes(x).reshape(len(x))
x=0
for i in range(0,len(x2)):
if(rst[i]!=y[i]):
x+=1
print("准确率",str(1-x/len(x2)))
import numpy as npy
x3=npy.array([[1,-1,-1,1],[1,1,1,1],[-1,1,-1,1]])
rst=model.predict_classes(x3).reshape(len(x3))
print("其中第一门课的预测结果为:"+str(rst[0]))
'''
准确率 0.31034482758620685
其中第一门课的预测结果为:1
'''
实例2 使用人工神经网络实现简单手写体数字的识别
# -*- coding: utf-8 -*-
# --------------------------------------
# @Time : 2019/10/24 10:45
# @Author : hxf
# @Email : 1870212598@qq.com
# @File : numbp.py
# Description : 使用人工神经网络实现简单手写体数字的识别
# ----------------------------------
'''
BP人工神经网络的实现:
1、读取数据
2、导入模块 keras.models Sequential / keras.layers.core Dense Activation
3、Sequential 建立模型
4、Dense 建立层
5、Activation 设定激活函数
6、compile 模型编译
7、fit 训练(学习)
8、验证 (测试、分类预测)
'''
from numpy import *
import operator
from os import listdir
import numpy as npy
import numpy
import pandas as pd
#加载数据
def datatoarray(fname):
arr=[]
fh=open(fname)
for i in range(0,32):
thisline=fh.readline()
for j in range(0,32):
arr.append(int(thisline[j]))
return arr
#建立一个函数取文件名前缀
def seplabel(fname):
filestr=fname.split(".")[0]
label=int(filestr.split("_")[0])
return label
#建立训练数据
def traindata():
labels=[]
trainfile=listdir("data/testandtraindata/traindata/")
num=len(trainfile)
#长度1024(列),每一行存储一个文件
#用一个数组存储所有训练数据,行:文件总数,列:1024
trainarr=zeros((num,1024))
for i in range(0,num):
thisfname=trainfile[i]
thislabel=seplabel(thisfname)
labels.append(thislabel)
trainarr[i,:]=datatoarray("data/testandtraindata/traindata/"+thisfname)
return trainarr,labels
trainarr,labels=traindata()
# print(trainarr,labels)
xf=pd.DataFrame(trainarr)
yf=pd.DataFrame(labels)
# print(xf,yf)
tx2=xf.values.astype(int)
ty2=yf.values.astype(int)
# print(tx2)
# print(ty2)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 使用人工神经网络模型
from keras.models import Sequential
from keras.layers.core import Dense,Activation
model=Sequential()
# 输入层
model.add(Dense(10,input_dim=1024))
model.add(Activation("relu"))
# 输出层
model.add(Dense(1,input_dim=1))
model.add(Activation("sigmoid"))
# 模型的编译
model.compile(loss="mean_squared_error",optimizer="adam") # 损失函数、求解方法、分类模型
# 训练
model.fit(tx2,ty2,nb_epoch=10000,batch_size=1000) # 学习次数、批处理参数
# 预测分类
rst=model.predict_classes(x).reshape(len(x))
# print(rst)
x=0
for i in range(0,len(x2)):
if(rst[i]!=y[i]):
x+=1
print(1-x/len(x2))
import numpy as npy
x3=npy.array([[1,-1,-1,1],[1,1,1,1],[-1,1,-1,1]])
rst=model.predict_classes(tx2).reshape(len(tx2))
print(rst)
下一篇: