Python神经网络模型--Sequential应用举例

本篇文章都是Sequential应用的例子
如果想要了解模型，可以先看一下这篇文章：
Sequential模型详解

下面是样例展示：

这里有几个可以帮助你开始的例子！
在 examples 目录 中，你可以找到真实数据集的示例模型：

• CIFAR10 小图片分类：具有实时数据增强的卷积神经网络 (CNN)
• IMDB 电影评论情感分类：基于词序列的 LSTM Reuters
• 新闻主题分类：多层感知器 (MLP) MNIST 手写数字分类：MLP 和 CNN
• 基于 LSTM 的字符级文本生成

基于多层感知器 (MLP) 的 softmax 多分类：

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
 
# 生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
 
model = Sequential()
# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸：
# 在这里，是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
 
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])
 
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

基于多层感知器的二分类：

思路：
　　输入数据：定义输入一个二维数组（x1,x2），数据通过numpy来随机产生，将输出定义为0或者1，如果x1+x2<1，则y为1，否则y为0.

隐藏层：定义两层隐藏层，隐藏层的参数为（2,3），两行三列的矩阵，输入数据通过隐藏层之后，输出的数据为（1,3），t通过矩阵之间的乘法运算可以获得输出数据。

损失函数：使用交叉熵作为神经网络的损失函数，常用的损失函数还有平方差。

优化函数：通过油画函数来使得损失函数最小化，这里采用的是Adadelta算法进行优化，常用的有梯度下降算法。

输出数据：将隐藏层的输出数据通过（3,1）的参数，输出一个一维向量，值的大小为0或者1.

import numpy as np
from keras.models import Sequential
from keras.layers import  Dense,Dropout
 
# 生成数据，训练数据和测试数据
# x_train/x_test 生成随机的浮点数，x_train为1000行20列 x_test为100行20列
# 列数一定要一一对应，相当于特征个数要对应
# 此处的二元分类，可以不需要one_hot编译，np.random.randint可以直接生成0 1 编码
x_train = np.random.random((1000,20)