基于keras的python实践,python中的keras

　　本文主要介绍python神经网络学习使用Keras进行回归运算。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010学习前言KerasKeras 1、Sequential2、Dense3、model.compile所有代码中最基本的重要函数是什么

学习前言

　　Keras是Python编写的开源人工神经网络库，可作为Tensorflow、Microsoft-CNTK和Theano的高级应用程序接口，用于深度学习模型的设计、调试、评估、应用和可视化。

　　Keras相当于比Tensorflow和Theano更高级别的库，可以作为底层框架，以更简洁高效的方式添加代码。

　　2018年Tensorflow 2.0.0发布后，Keras正式确立为Tensorflow高级API。

什么是Keras

Keras中基础的重要函数

　　序贯模型也叫序贯模型。

　　顺序模型是最简单的线性、首尾相连的结构顺序，它是多个网络层的线性堆栈。

　　在使用Keras建立模型之前，使用以下函数建立模型就足够了。

　　模型=顺序()

　　此时已经建立了一个顺序模型，然后在模型中添加层时，就按顺序添加。

1、Sequential

　　密集用于向顺序添加完整的连接层。整个连接层的原理图如下。(图片来自百度百科)

　　具体来说，在一个简单的BP神经网络中，输入层和隐层之间的权重连接实际上与全连接层具有相同的含义。

　　在Keras中，如果需要向模型添加一个完整的连接层，可以使用下面的函数。

　　model.add(Dense(output_dim=1，input_dim=1))

　　这意味着输入维度为1，输出维度为1。

2、Dense

　　Keras中的model.compile函数主要用于定义损失函数和优化器。

　　其调用方式如下：

　　model.compile(loss=mse ，optimizer=sgd ，metrics=[accuracy])

　　其中，损失用于定义计算损失的损失函数，可选择如下：

　　1.mse:均方根误差，常用于回归预测。

　　2.categorical _ crossentropy:又称多类对数损失。注意，当使用这个目标函数时，标签需要被转换成类似于(nb_samples，nb_classes)的二进制序列，这通常用于分类。

　　3.Sparse _ Category _ Crossentrop:同上，但接受稀疏标签。

　　Optimizer用于定义一个优化器，它可以是默认的，也可以是从keras.optimizers导出的

　　可选内容可以参考Keras中文文档。本文选择了随机梯度下降法sgd。

　　Metrics=[accuracy]经常在分类操作中使用，但在本例中并不适用。准确度代表计算分类准确度。

3、model.compile

　　这个例子是线性回归的一个例子。

　　将numpy作为np导入

　　从keras.models导入序列

　　从keras.layers导入密集的##全连接层

　　将matplotlib.pyplot作为plt导入

　　#生成测试数据

　　X=np.linspace(-1，1，200)

　　随机洗牌

　　Y=0.5*X 2 np.random.normal(0，0.05，(200，))

　　#划分训练集和测试集

　　X_train，Y_train=X[:160]，Y[:160]

　　X_test，Y_test=X[160:]，Y[160:]

　　#开始

　　模型=顺序()

　　model.add(Dense(output_dim=1，input_dim=1))

　　#编译

　　model.compile(loss=mse ，optimizer=sgd )

　　#培训

　　打印( \ n培训)

　　对于范围内的步骤(2001):

　　成本=模型.训练_批量(X _训练，Y _训练)

　　如果step0==0:

　　打印( tarin_cost: ，成本)

　　#测试

　　打印( \ n测试)

　　成本=模型.评估(X _测试，Y _测试，批量大小=40)

　　w，b=model.layers[0]。获取权重()

　　打印(“重量”，W，“双轴”，b)

　　#预测结果

　　Y=模型.预测(X _测试)

　　plt.scatter(X检验，Y检验)

　　plt.plot(X_test，Y)

　　plt.show()

　　结果如下：

　　塔林成本3360 4.50687658766

　　塔林_成本0 . 48680 . 48888888861

　　塔林成本0 . 48680 . 48888888861

　　塔林成本3360.002783

　　塔林成本0 . 48680 . 48888888861

　　试验

　　40/40[============================]-0s 874 us/步

　　权重[[0.5041559]]双轴[1.9961643]

　　以上是使用Keras进行回归运算的python神经网络学习的详细内容。更多关于python神经网络Keras回归运算的信息，请关注盛行IT软件开发工作室的其他相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。