keras的Sequential、Dense、Compile、predict

一、简单的代码

import tensorflow as tf
import keras
import numpy as np

#使用keras建立模型
model = keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])
#为keras模型添加优化器和损失函数
model.compile(optimizer='sgd',loss='mean_squared_error')

xs=np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float)
ys=np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype=float)
#模型训练model.fit(训练输入数据x，训练输出数据y，训练次数)
model.fit(xs,ys,epochs=500)
#用模型预测输出值
print(model.predict([10.0]))

二、 Sequential 顺序模型
1、介绍：最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。
2、建立layer

#model.add来追加层
#稠密的，就是把内部定义的信息“沾到一起”形成一层
model.add(Dense(units=64,activation='relu',input_dim=100))
model.add(Dense(units=10,activation='softmax'))

keras.layers.Dense(units, 
				  activation=None, 
				  use_bias=True, 
				  kernel_initializer='glorot_uniform', 
				  bias_initializer='zeros', 
				  kernel_regularizer=None, 
				  bias_regularizer=None, 
			      activity_regularizer=None, 
				  kernel_constraint=None, 
				  bias_constraint=None)

参数说明如下：

units:该层有几个神经元
activation:该层使用的激活函数
use_bias：是否添加偏置项
kernel_initializer:权重初始化方法
bias_initializer:偏置值初始化方法
kernel_regularizer:权重规范化函数
bias_regularizer:偏置值规范化方法
activity_regularizer:输出的规范化方法
kernel_constraint:权重变化限制函数
bias_constraint:偏置值变化限制函数

3、配置学习参数

#配置学习过程
model.compile(loss="categorical_crossentropy",optimizer='sgd',metrics='accuracy')
model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizer.SGD(lr=0.01,momentu=0.9, nesterov=True))

4、预测与判断精度

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, 
steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False)

x：输入数据
y：输入标签
batch_size：批次大小
verbose：0不显示进度条，1为显示进度条
sample_weight：测试样本的可选Numpy权重数组，用于对损失函数加权
steps：样本批次
callbacks：评估期间需要应用的回调列表
max_queue_size：生成器队列的最大大小
workers：执行期间使用的进程数
use_multiprocessing：如果为True，则使用基于进程的线程

损失值：网络在训练数据上的损失（预测值和实际值之间的差距），该值和编译模型时选择的损失有关
精度：准确率（成功数量与总数据量的比值）

返回格式：[‘loss’, ‘accuracy’]

predict(x, batch_size=None, verbose=0, steps=None, callbacks=None, 
max_queue_size=10, workers=1, use_multiprocessing=False)

x：输入数据
batch_size：批次大小
verbose：0不显示进度条，1为显示进度条
sample_weight：测试样本的可选Numpy权重数组，用于对损失函数加权
steps：样本批次
callbacks：评估期间需要应用的回调列表
max_queue_size：生成器队列的最大大小
workers：执行期间使用的进程数
use_multiprocessing：如果为True，则使用基于进程的线程

返回：
对输入数据的预测值–Y

keras的Sequential、Dense、Compile、predict

Python相关栏目本月热门文章