1. 数据收集、处理
训练的数据是过去的累积历史数据,经过特征提取产生数据特征与真实值(或特征)
2. 数据预处理
将数据特征值使用reshape转换,并标准化。将数字真实值以One-Hot Encoding进行转换或多元分类。
3. 建立模型,如多层感知模型、卷积神经网络等。
Keras只处理模型的建立、训练、预测等功能。
用激活函数(Activation function)模拟神经传导的工作方式将上层神经元信号传递到下一层,激活函数一般为非线性函数。常用有ReLU、sigmoid函数,建立深度学习模型
4. 进行训练
建立深度学习模型后,一般使用反向传播(Back Propagation)训练,使用损失函数计算模型计算的结果与真实值之间的误差,重复传播和权重更新,并且与优化器(Optimizer,例如梯度下降法)结合使用,更新权重与偏差,直到误差收敛。
5. 评估模型准确率
使用测试数据评估模型准确率,测试数据应与训练用的数据区分
6. 进行预测