R1-3学习打卡

最新推荐文章于 2026-01-01 10:51:21 发布
原创 最新推荐文章于 2026-01-01 10:51:21 发布 · 710 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习

RNN心脏病识别

import tensorflow        as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")

gpus

[]

导入数据


import pandas as pd
import numpy as np

df = pd.read_csv(r"C:\Users\11054\Desktop\kLearning\R123\heart.csv")
df
agesexcptrestbpscholfbsrestecgthalachexangoldpeakslopecathaltarget
063131452331015002.30011
137121302500118703.50021
241011302040017201.42021
356111202360117800.82021
457001203540116310.62021
.............................................
29857001402410112310.21030
29945131102640113201.21030
30068101441931114103.41230
30157101301310111511.21130
30257011302360017400.01120

303 rows × 14 columns

# 检查是否有空值
df.isnull().sum()

age         0
sex         0
cp          0
trestbps    0
chol        0
fbs         0
restecg     0
thalach     0
exang       0
oldpeak     0
slope       0
ca          0
thal        0
target      0
dtype: int64

数据预处理


from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X = df.iloc[:,:-1]
y = df.iloc[:,-1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)

X_train.shape, y_train.shape

((272, 13), (272,))

标准化

# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
sc      = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test  = sc.transform(X_test)

X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test  = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = Sequential()
model.add(SimpleRNN(200, input_shape= (13,1), activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

C:\Users\11054\.conda\envs\tf39\lib\site-packages\keras\src\layers\rnn\rnn.py:204: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
  super().__init__(**kwargs)

Model: "sequential_2"

┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━┓
┃ Layer (type)                         ┃ Output Shape                ┃         Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━┩
│ simple_rnn_2 (SimpleRNN)             │ (None, 200)                 │          40,400 │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ dense_4 (Dense)                      │ (None, 100)                 │          20,100 │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ dense_5 (Dense)                      │ (None, 1)                   │             101 │
└──────────────────────────────────────┴─────────────────────────────┴─────────────────┘

 Total params: 60,601 (236.72 KB)

 Trainable params: 60,601 (236.72 KB)

 Non-trainable params: 0 (0.00 B)

模型训练


opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss='binary_crossentropy',
              optimizer=opt,metrics=['accuracy'])
epochs = 100

history = model.fit(X_train, y_train,
                    epochs=epochs,
                    batch_size=128,
                    validation_data=(X_test, y_test),
                    verbose=1)

Epoch 1/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m1s[0m 93ms/step - accuracy: 0.5453 - loss: 0.6920 - val_accuracy: 0.4516 - val_loss: 0.6892
Epoch 2/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.5724 - loss: 0.6806 - val_accuracy: 0.5484 - val_loss: 0.6757
Epoch 3/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.5508 - loss: 0.6761 - val_accuracy: 0.5806 - val_loss: 0.6621
Epoch 4/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.5803 - loss: 0.6686 - val_accuracy: 0.7097 - val_loss: 0.6493
Epoch 5/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 20ms/step - accuracy: 0.6259 - loss: 0.6600 - val_accuracy: 0.7419 - val_loss: 0.6377
Epoch 6/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.6521 - loss: 0.6524 - val_accuracy: 0.7742 - val_loss: 0.6270
Epoch 7/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7017 - loss: 0.6459 - val_accuracy: 0.7742 - val_loss: 0.6166
Epoch 8/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.7033 - loss: 0.6409 - val_accuracy: 0.7742 - val_loss: 0.6064
Epoch 9/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.7209 - loss: 0.6337 - val_accuracy: 0.7742 - val_loss: 0.5962
Epoch 10/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 20ms/step - accuracy: 0.7111 - loss: 0.6282 - val_accuracy: 0.7742 - val_loss: 0.5851
Epoch 11/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7254 - loss: 0.6212 - val_accuracy: 0.8065 - val_loss: 0.5732
Epoch 12/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.7557 - loss: 0.6125 - val_accuracy: 0.8065 - val_loss: 0.5611
Epoch 13/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.7681 - loss: 0.6058 - val_accuracy: 0.8387 - val_loss: 0.5486
Epoch 14/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7688 - loss: 0.6011 - val_accuracy: 0.8387 - val_loss: 0.5352
Epoch 15/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.7824 - loss: 0.5899 - val_accuracy: 0.8710 - val_loss: 0.5210
Epoch 16/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7812 - loss: 0.5804 - val_accuracy: 0.8710 - val_loss: 0.5058
Epoch 17/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 16ms/step - accuracy: 0.7879 - loss: 0.5700 - val_accuracy: 0.8710 - val_loss: 0.4898
Epoch 18/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7869 - loss: 0.5580 - val_accuracy: 0.8710 - val_loss: 0.4728
Epoch 19/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 31ms/step - accuracy: 0.7840 - loss: 0.5494 - val_accuracy: 0.8710 - val_loss: 0.4558
Epoch 20/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.7908 - loss: 0.5339 - val_accuracy: 0.8710 - val_loss: 0.4379
Epoch 21/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 31ms/step - accuracy: 0.8005 - loss: 0.5173 - val_accuracy: 0.8710 - val_loss: 0.4192
Epoch 22/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8060 - loss: 0.5147 - val_accuracy: 0.8710 - val_loss: 0.4008
Epoch 23/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 21ms/step - accuracy: 0.8012 - loss: 0.4986 - val_accuracy: 0.8710 - val_loss: 0.3824
Epoch 24/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.7907 - loss: 0.4896 - val_accuracy: 0.8710 - val_loss: 0.3638
Epoch 25/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 32ms/step - accuracy: 0.8089 - loss: 0.4668 - val_accuracy: 0.8710 - val_loss: 0.3451
Epoch 26/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 32ms/step - accuracy: 0.8003 - loss: 0.4653 - val_accuracy: 0.8710 - val_loss: 0.3275
Epoch 27/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.7934 - loss: 0.4620 - val_accuracy: 0.8710 - val_loss: 0.3126
Epoch 28/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8051 - loss: 0.4373 - val_accuracy: 0.8710 - val_loss: 0.2993
Epoch 29/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 20ms/step - accuracy: 0.7791 - loss: 0.4399 - val_accuracy: 0.8710 - val_loss: 0.2880
Epoch 30/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8080 - loss: 0.4224 - val_accuracy: 0.8710 - val_loss: 0.2817
Epoch 31/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8108 - loss: 0.4114 - val_accuracy: 0.9032 - val_loss: 0.2772
Epoch 32/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 26ms/step - accuracy: 0.8146 - loss: 0.4190 - val_accuracy: 0.8710 - val_loss: 0.2708
Epoch 33/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8192 - loss: 0.4095 - val_accuracy: 0.8710 - val_loss: 0.2687
Epoch 34/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 10ms/step - accuracy: 0.8154 - loss: 0.3996 - val_accuracy: 0.8387 - val_loss: 0.2698
Epoch 35/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8116 - loss: 0.4052 - val_accuracy: 0.8387 - val_loss: 0.2676
Epoch 36/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 21ms/step - accuracy: 0.8107 - loss: 0.4004 - val_accuracy: 0.8710 - val_loss: 0.2619
Epoch 37/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8268 - loss: 0.3980 - val_accuracy: 0.9032 - val_loss: 0.2591
Epoch 38/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 21ms/step - accuracy: 0.8208 - loss: 0.3948 - val_accuracy: 0.9032 - val_loss: 0.2586
Epoch 39/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8343 - loss: 0.3842 - val_accuracy: 0.9032 - val_loss: 0.2586
Epoch 40/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8429 - loss: 0.3873 - val_accuracy: 0.9032 - val_loss: 0.2612
Epoch 41/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8323 - loss: 0.3854 - val_accuracy: 0.9032 - val_loss: 0.2559
Epoch 42/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 16ms/step - accuracy: 0.8246 - loss: 0.3750 - val_accuracy: 0.9032 - val_loss: 0.2536
Epoch 43/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 15ms/step - accuracy: 0.8323 - loss: 0.3777 - val_accuracy: 0.8710 - val_loss: 0.2566
Epoch 44/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8179 - loss: 0.3889 - val_accuracy: 0.9032 - val_loss: 0.2586
Epoch 45/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8295 - loss: 0.3767 - val_accuracy: 0.9032 - val_loss: 0.2631
Epoch 46/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8224 - loss: 0.3760 - val_accuracy: 0.9032 - val_loss: 0.2713
Epoch 47/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8459 - loss: 0.3678 - val_accuracy: 0.9032 - val_loss: 0.2754
Epoch 48/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 13ms/step - accuracy: 0.8372 - loss: 0.3651 - val_accuracy: 0.9032 - val_loss: 0.2713
Epoch 49/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8371 - loss: 0.3692 - val_accuracy: 0.9032 - val_loss: 0.2633
Epoch 50/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 14ms/step - accuracy: 0.8535 - loss: 0.3444 - val_accuracy: 0.9032 - val_loss: 0.2626
Epoch 51/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8389 - loss: 0.3682 - val_accuracy: 0.9032 - val_loss: 0.2644
Epoch 52/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8370 - loss: 0.3691 - val_accuracy: 0.9032 - val_loss: 0.2661
Epoch 53/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8482 - loss: 0.3693 - val_accuracy: 0.9032 - val_loss: 0.2685
Epoch 54/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8521 - loss: 0.3515 - val_accuracy: 0.9032 - val_loss: 0.2743
Epoch 55/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 10ms/step - accuracy: 0.8504 - loss: 0.3456 - val_accuracy: 0.9032 - val_loss: 0.2798
Epoch 56/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8553 - loss: 0.3351 - val_accuracy: 0.9032 - val_loss: 0.2785
Epoch 57/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 32ms/step - accuracy: 0.8657 - loss: 0.3317 - val_accuracy: 0.9032 - val_loss: 0.2773
Epoch 58/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 31ms/step - accuracy: 0.8562 - loss: 0.3383 - val_accuracy: 0.9032 - val_loss: 0.2802
Epoch 59/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8628 - loss: 0.3463 - val_accuracy: 0.8387 - val_loss: 0.2841
Epoch 60/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 9ms/step - accuracy: 0.8569 - loss: 0.3483 - val_accuracy: 0.8387 - val_loss: 0.2835
Epoch 61/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 29ms/step - accuracy: 0.8675 - loss: 0.3362 - val_accuracy: 0.9032 - val_loss: 0.2820
Epoch 62/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8473 - loss: 0.3377 - val_accuracy: 0.9032 - val_loss: 0.2854
Epoch 63/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8675 - loss: 0.3280 - val_accuracy: 0.9032 - val_loss: 0.2920
Epoch 64/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8626 - loss: 0.3382 - val_accuracy: 0.9032 - val_loss: 0.2953
Epoch 65/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8618 - loss: 0.3182 - val_accuracy: 0.9032 - val_loss: 0.2951
Epoch 66/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 16ms/step - accuracy: 0.8702 - loss: 0.3271 - val_accuracy: 0.9032 - val_loss: 0.2951
Epoch 67/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8673 - loss: 0.3294 - val_accuracy: 0.9032 - val_loss: 0.2977
Epoch 68/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8635 - loss: 0.3200 - val_accuracy: 0.9032 - val_loss: 0.3028
Epoch 69/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8723 - loss: 0.3158 - val_accuracy: 0.9032 - val_loss: 0.3083
Epoch 70/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8771 - loss: 0.3153 - val_accuracy: 0.9032 - val_loss: 0.3101
Epoch 71/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8683 - loss: 0.3253 - val_accuracy: 0.9032 - val_loss: 0.3085
Epoch 72/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8730 - loss: 0.3205 - val_accuracy: 0.9032 - val_loss: 0.3067
Epoch 73/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 27ms/step - accuracy: 0.8720 - loss: 0.3280 - val_accuracy: 0.8710 - val_loss: 0.3030
Epoch 74/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8690 - loss: 0.3192 - val_accuracy: 0.8710 - val_loss: 0.3043
Epoch 75/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 28ms/step - accuracy: 0.8768 - loss: 0.3114 - val_accuracy: 0.9032 - val_loss: 0.3111
Epoch 76/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 22ms/step - accuracy: 0.8761 - loss: 0.3024 - val_accuracy: 0.9032 - val_loss: 0.3173
Epoch 77/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8617 - loss: 0.3163 - val_accuracy: 0.9032 - val_loss: 0.3179
Epoch 78/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8914 - loss: 0.2921 - val_accuracy: 0.8710 - val_loss: 0.3168
Epoch 79/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 20ms/step - accuracy: 0.8751 - loss: 0.2908 - val_accuracy: 0.8710 - val_loss: 0.3156
Epoch 80/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8855 - loss: 0.3034 - val_accuracy: 0.8710 - val_loss: 0.3149
Epoch 81/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8739 - loss: 0.3021 - val_accuracy: 0.8710 - val_loss: 0.3168
Epoch 82/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8682 - loss: 0.3094 - val_accuracy: 0.8710 - val_loss: 0.3213
Epoch 83/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8816 - loss: 0.2977 - val_accuracy: 0.8710 - val_loss: 0.3280
Epoch 84/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8942 - loss: 0.2852 - val_accuracy: 0.8710 - val_loss: 0.3302
Epoch 85/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8960 - loss: 0.2807 - val_accuracy: 0.8710 - val_loss: 0.3282
Epoch 86/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 27ms/step - accuracy: 0.8997 - loss: 0.2902 - val_accuracy: 0.8710 - val_loss: 0.3313
Epoch 87/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8919 - loss: 0.2955 - val_accuracy: 0.8710 - val_loss: 0.3350
Epoch 88/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8928 - loss: 0.2953 - val_accuracy: 0.8710 - val_loss: 0.3369
Epoch 89/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 10ms/step - accuracy: 0.8919 - loss: 0.2931 - val_accuracy: 0.8710 - val_loss: 0.3398
Epoch 90/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 32ms/step - accuracy: 0.8958 - loss: 0.2817 - val_accuracy: 0.8710 - val_loss: 0.3417
Epoch 91/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 18ms/step - accuracy: 0.8968 - loss: 0.2933 - val_accuracy: 0.9032 - val_loss: 0.3443
Epoch 92/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 19ms/step - accuracy: 0.8922 - loss: 0.2758 - val_accuracy: 0.9032 - val_loss: 0.3459
Epoch 93/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 16ms/step - accuracy: 0.8872 - loss: 0.2865 - val_accuracy: 0.8710 - val_loss: 0.3443
Epoch 94/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.9008 - loss: 0.2677 - val_accuracy: 0.8710 - val_loss: 0.3408
Epoch 95/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 17ms/step - accuracy: 0.8957 - loss: 0.2822 - val_accuracy: 0.8710 - val_loss: 0.3352
Epoch 96/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 11ms/step - accuracy: 0.8940 - loss: 0.2733 - val_accuracy: 0.8710 - val_loss: 0.3328
Epoch 97/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 10ms/step - accuracy: 0.9007 - loss: 0.2686 - val_accuracy: 0.8710 - val_loss: 0.3295
Epoch 98/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 14ms/step - accuracy: 0.8996 - loss: 0.2729 - val_accuracy: 0.8710 - val_loss: 0.3316
Epoch 99/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 16ms/step - accuracy: 0.8874 - loss: 0.2709 - val_accuracy: 0.8710 - val_loss: 0.3394
Epoch 100/100
[1m3/3[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 20ms/step - accuracy: 0.8807 - loss: 0.2768 - val_accuracy: 0.8710 - val_loss: 0.3405

模型评估


import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述

scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

compile_metrics: 87.10%

个人总结

  • RNN 的核心思想是通过引入循环结构来捕捉序列数据中的时间依赖性。
  • RNN 的每个隐藏层单元不仅接收当前时间步的输入，还接收前一时间步隐藏层的状态作为输入。

在这里插入图片描述
s t s_t st​ 是 t t t 时刻的隐藏状态。它是网络的“记忆”。 s t s_t st​的计算依赖于前一个时刻的状态和当前时刻的输入：
s t = f ( U x t + W s t − 1 ) s_t = f(Ux_t + W s_{t-1}) st​=f(Uxt​+Wst−1​)
函数 f f f 通常是诸如 t a n h tanh tanh或者 R e L U ReLU ReLU的非线性函数。

s − 1 s_{-1} s−1​ 是用来计算第一个隐藏状态，通常可以初始化成 0 0 0。

开源模型应用落地-qwen模型小试-Qwen3-8B-快速体验（一）
以微薄之力，予他人些许温暖.
04-29 2万+
阿里云推出国内首个集成“快思考”与“慢思考”能力的 Qwen3-8B 大语言模型，以80亿参数和 128K 上下文支持，重塑AI应用边界并助力开发者高效部署
开源模型应用落地-qwen模型小试-Qwen3-8B-推理加速-vLLM-Docker（二）
热门推荐
以微薄之力，予他人些许温暖.
05-06 2万+
通过容器化技术整合高性能推理框架vLLM与Qwen3-8B模型，可实现资源高效利用、灵活部署及推理性能优化，为大模型本地化应用提供轻量化解决方案
tensorflow学习中遇到的bug
qq_52147470的博客
05-05 5805
这个错误是因为从 Keras 2.x 版本开始，推荐使用Input层来明确指定模型的输入形状，而不是在添加第一个非Input层时通过或input_dim参数来指定。
决策树算法梳理-机器学习打卡3
weixin_39469237的博客
05-17 574
决策树算法梳理1-信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度） 2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景熵信息增益基尼系数决策树的不同分类算法2-回归树原理3-决策树防止过拟合手段4-模型评估5-sklearn参数详解，Python绘制决策树 1-信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度） 2.决策树的不同分类算法（ID3算法、C4.5...
python学习打卡 day3
Csual_S的博客
04-21 140
for 循环和 if elif else 条件控制。
LLM学习打卡-Task1
weixin_51604658的博客
12-15 140
以 GPT、BERT 为代表的 PLM 是上一阶段 NLP 领域的核心研究成果，以注意力机制为模型架构，通过预训练-微调的阶段思想通过在海量无监督文本上进行自监督预训练，实现了强大的自然语言理解能力。从一开始的 ChatGPT，到 GPT-4，再到以 DeepSeek-R1 为代表的推理大模型、以 Qwen-VL 为代表的多模态大模型。LLM 是在 PLM 的基础上，通过大量扩大模型参数、预训练数据规模，并引入指令微调、人类反馈强化学习等手段实现的突破性成果。chapter1：NLP简介。
HCNP学习打卡第三天
qq_52688868的博客
12-06 219
分类：距离矢量路由协议(Distance Vector Routing Protocol)、链路状态路由协议(Link Routing Protocol)。分类：内部网关协议(Interior Gateway Protocol)、外部网关协议(Exterior Gateway Protocol);功能：通过数据包目的IP与自身路由表进行逐位对比(逻辑与&)，寻找匹配度最长的条目，完成路径选择。未直连目标网络，路由表仅记录到达目标网络的度量值和下一跳设备。矢量(方向)：到达目标网络的下一跳设备。
打卡信奥刷题（214）用Scratch图形化工具信奥P8925[普及组]「GMOI R1-T2」Light
Loge谈信奥--一个专注于信奥人的博客
07-02 2528
前置芝士：平面镜成像原理。因为百度的不太清楚，所以大家有不懂的可以自行搜索，也可以看本题的样例解释。
Python60日基础学习打卡D12
2403_89934198的博客
05-01 362
遗传算法今天以为主，用尽可能简短但是清晰的语言说清楚这三种算法每种算法的实现逻辑：三种启发式算法的示例代码：遗传算法、粒子群算法、退火算法，并学习优化算法的思路，代码不做详细要求，参考即可遗传算法比如你要调3个超参数，那就随机构造出100个“方案”（每个方案 = 一组超参数）。类比：你组了100个“选手”来参加调参比赛。把每组参数喂给模型，训练一下，看看它的表现（比如准确率多少）。类比：给每个选手考试，看谁考得好。从这100个选手里挑出前10%表现最好的。
强化学习7日打卡营——个人心得总结
undirectlookable的博客
06-26 1103
目录背景一些关键概念功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 背景 无意间看到了百度AIStudio的7日强化学习入门训练营，一向觉得强化学习很高大上，但又不太明白其中原理，甚是好奇，这种面对小白的入门课程再适合我不过了。而
视觉SLAM学习打卡【3】-李群和李代数
小幸运召唤师的博客
03-15 1305
通过李代数求导进行位姿估计（附：参考高翔-视觉slam14讲）
开源模型应用落地-qwen模型小试-Qwen3-8B-推理加速-vLLM（一）
以微薄之力，予他人些许温暖.
05-05 1万+
解析Qwen3-8B与vLLM的技术协同逻辑，探讨其在复杂任务中的性能表现及落地价值。
算法学习打卡日记
ZP_icenow的博客
01-18 1462
一来通过每日打卡的方式督促自己每天学习，二来总结一下知识点；主要面向自己，希望自己能坚持住吧，有一个好的结果 2019年1月18日打卡 编程语言推荐C++（包含C） 用scanf和printf相比cin/cout效率更高 int 的范围是±21亿，超过用long long 声明赋值后面加LL 小数全用double 小写字母比大写字母ASCII码大32 #define和c...
构建个人学习与工作LLM应用系统的核心运行机制：一种人机协同系统“认知引擎”的架构原理
weixin_41939376的博客
12-28 864
摘要：本文提出构建"人机协同认知引擎"的方法论，旨在将临时性对话升级为可持续复利的认知生产力系统。核心架构包含六层功能：情境层（明确任务背景）、世界模型层（构建个人知识体系）、证据与记忆层（确保可追溯性）、推理与规划层（生成可执行计划）、行动与外部化层（输出实际成果）以及评估与学习层（持续优化）。
学习C#调用OpenXml操作word文档的基本用法（14：学习文档编号定义类）
gc_2299的博客
12-28 638
学习文档编号定义类NumberingDefinitionsPart的主要属性
Android C++ 学习笔记 2
zhuguanlin121的博客
12-28 864
template.cpp template2.cpp exception.cpp exception2.cpp exception3.cpp exception4.cpp exception5.cpp exception6.cpp exception7.cpp exception8.cpp 19th_smartpointer person.cpp person2.cpp person3.cpp person4.cpp person5.cpp person6.cpp person7.cpp person8.c
0基础开发学习python工具_____一键打包！用 PyInstaller 将 Python 烟花程序转为 .exe（无需 Python 环境）
最新发布
mg668的博客
01-01 316
本文介绍如何使用PyInstaller将Python程序打包成可执行文件。首先通过pip安装PyInstaller，然后使用pyinstaller --onefile --windowed命令将Python脚本打包成独立.exe文件，无需安装Python环境即可运行。文章详细说明了打包步骤、常见问题解决方法（如闪退、文件过大等），并提供了添加自定义图标的技巧，帮助初学者轻松分享Python程序。
【AI学习-comfyUI学习-第二十五节-Shuffle洗牌模式布局+contronet其他应用结合-各个部分学习】
qq_22146161的博客
12-27 1449
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
DeepSeek-R1-强化学习调试
03-08
### 关于 DeepSeek-R1 强化学习调试方法 对于希望深入了解并掌握 DeepSeek-R1 的强化学习调试技巧的人而言，理解其背后的原理至关重要。DeepSeek-R1 是一种基于强化学习训练的强大 AI 模型，在此过程中，该模型通过反复试验和错误来优化自己的性能[^1]。 #### 理解强化学习机制 为了有效调试 DeepSeek-R1 中的强化学习算法，了解基础理论是必不可少的第一步。这包括但不限于状态空间、动作空间的概念以及奖励函数的设计原则。具体来说： - **状态表示**：定义环境中所有可能的状态集合。 - **行动选择**：确定可执行的动作范围及其影响因素。 - **即时奖励计算**：设定合理的评分体系以评估每次交互的结果质量。 #### 工具链支持 实际操作层面，利用合适的工具可以极大地方便开发者进行有效的监控与分析工作。例如 TensorFlow 或 PyTorch 提供了丰富的 API 接口用于构建自定义环境模拟器；而像 TensorBoard 这样的可视化平台可以帮助直观展示训练进度图表和其他重要指标变化趋势图[^2]。 ```python import tensorflow as tf from tensorboard.plugins import projector # 记录日志以便后续查看 summary_writer = tf.summary.create_file_writer('logs/') with summary_writer.as_default(): # 添加标量记录 tf.summary.scalar('loss', loss_value, step=epoch) ``` #### 参数调优策略 针对特定应用场景下的需求差异，合理设置超参数能够显著改善最终效果。常见的调整方向有折扣因子 γ (gamma)，它决定了未来回报的重要性程度；探索率 ε (epsilon) 控制着随机选取行为的概率大小等。此外还有学习速率 α (alpha) 和批量尺寸 batch size 需要综合考虑目标领域特点来进行适当配置。 #### 实践案例分享 最后值得一提的是，参与开源社区交流或者阅读相关论文也是积累实战经验的有效途径之一。许多研究者会在 GitHub 上公开自己项目源码的同时附带详细的文档说明，这对于初学者尤其友好。同时学术界发布的最新成果往往蕴含着创新性的解决方案和技术思路值得借鉴参考。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值