循环神经网络（RNN）是一种有向图循环的神经网络，它在处理序列数据时表现出色。在本文中，我们将使用Python编写一个手写数字分类器，使用RNN来学习手写数字的模式，并预测输入的数字。
首先，让我们导入所需的包：
```
import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist
```
接下来，我们将加载MNIST数据集并对其进行预处理：
```
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# Normalize pixel values between 0 and 1
x_train, x_test = x_train / 255.0, x_test / 255.0
# Add an extra dimension to the data to make it compatible with RNNs
x_train = np.expand_dims(x_train, axis=3)
x_test = np.expand_dims(x_test, axis=3)
```
MNIST数据集包含60,000个训练图像和10,000个测试图像，每个图像大小为28x28像素。我们将像素值标准化为在0和1之间，并添加一个额外的维度以使其与RNN兼容。
现在，我们将定义我们的RNN模型：
```
model = tf.keras.models.Sequential([
tf.keras.layers.SimpleRNN(128, input_shape=(None, 28), return_sequences=True),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.SimpleRNN(64),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Dense(10, activation='softmax')
])
```
该模型由两个简单的循环层和一个完全连接的层组成。我们使用批归一化来加速收敛并提高模型的稳定性。
现在，我们将编译模型并开始训练：
```
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
```
我们使用Adam优化器和稀疏分类交叉熵损失函数编译模型。我们将模型拟合于训练数据，并在测试数据上进行验证。
最后，我们将测试模型的性能：
```
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)
```
在我的计算机上，该模型的测试精度约为97％。
这是一个完整的代码示例：
```
import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# Normalize pixel values between 0 and 1
x_train, x_test = x_train / 255.0, x_test / 255.0
# Add an extra dimension to the data to make it compatible with RNNs
x_train = np.expand_dims(x_train, axis=3)
x_test = np.expand_dims(x_test, axis=3)
model = tf.keras.models.Sequential([
tf.keras.layers.SimpleRNN(128, input_shape=(None, 28), return_sequences=True),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.SimpleRNN(64),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)
```
希望这个例子能够帮助你开始使用RNN构建序列数据的模型。
超级会员免费看
订阅专栏 解锁全文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1289
