深度学习-多层感知器-建立MLP实现非线性二分类-MLP实现图像多分类

多层感知器（Multi-Layer Perceptron）（人工神经网络）

多层感知器模型框架

MLP用于非线性分类预测

在不增加高次项数据的情况下，如何通过MLP实现非线性分类预测

MLP模型框架

MLP实现多分类预测

实战准备

Keras

Keras是一个用Python编写的用于神经网络开发的应用接口，调用开接口可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发
特点：

• 集成了深度学习中各类成熟的算法，容易安装和使用，样例丰富,教程和文档也非常详细
• 能够以TensorFlow,或者Theano作为后端运行

Keras or Tensorflow
Tensorflow是一个采用数据流图，用于数值计算的开源软件库，可自动计算模型相关的微分导数:非常适合用于神经网络模型的求解。
Keras可看作为tensorflow封装后的一个接口(Keras作为前端，TensorFlow作为后端。
Keras为用户提供了一个易于交互的外壳，方便进行深度学习的快速开发
Keras建立MLP模型

# 建立一个Sequential顺序模型
from keras.models import Sequential
model = Sequential()

# 通过.add()叠加各层网络
from keras.layers import Dense
model.add(Dense(units=3,activation='sigmoid',input_dim=3))
model.add(Dense(units=1,activation='sigmoid'))

# 通过.compile()配置模型求解过程参数
model.compile(loss='categorical_crossentropy',optimizer='sgd'])

# 训练模型
model.fit(x_train,y_train,epochs=5)

实战-建立MLP实现非线性二分类

任务:基于data.csv数据，建立mlp模型，计算其在测试数据上的准确率，可视化模型预测结果︰

• 进行数据分离:

test_size=0.33,random_state=10

• 模型结构:一层隐藏层，有20个神经元

建立MLP模型，查看模型结构

from keras.models import Sequential
from keras.layers import Dense,Activation
mlp = Sequential()
mlp.add(Dense(20,input_dim=2,activation='sigmoid'))
mlp.add(Dense(1,activation='sigmoid'))
mlp.summary()

配置模型参数

mlp.compile(optimizer='adam',loss='binary_crossentropy')

模型训练

mlp.fit(X_train,y_train,epochs=3000)

结果预测

y_test_predict = mlp.predict_classes(X_test)

把预测结果转换为可用于索引的Series类型

y_range_predict = pd.Series([i[0] for i in y_range_predict])

实战：MLP实现图像多分类

任务:基于mnist数据集，建立mlp模型，实现0-9数字的十分类:

• 实现mnist数据载入，可视化图形数字
• 完成数据预处理:图像数据维度转换与归一化、输出结果格式转换
• 计算模型在预测数据集的准确率
• 模型结构:两层隐藏层，每层有392个神经元

mnist数据集介绍
机器学习领域