Keras【极简】RNN

Python 深度学习框架之keras库详解 深度学习已经成为解决各种复杂问题的有力工具,而 Python Keras 是一个流行的深度学习框架,它提供了简单而强大的工具来构建和训练神经网络。无论您是深度学习新手还是经验丰富的研究人员,Keras 都可以满足您的需求。本文将深入介绍 Python Keras,包括其基本概念、安装方法、示例代码以及一些高级用法,以帮助大家掌握这一强大的深度学习框架。 阅读详情

手写数字识别

from keras.datasets import mnist  # 手写数字0-9
from keras.utils.np_utils import to_categorical
from keras.models import Sequential  # 顺序模型
from keras.layers import SimpleRNN, Dense

"""数据读取和预处理"""
(x, y), _ = mnist.load_data()
x = x / 255  # 像素值→[0,1]
y = to_categorical(y, 10)  # one-hot编码

"""建模"""
model = Sequential()
model.add(SimpleRNN(units=64, input_shape=(28, 28)))  # RNN
model.add(Dense(units=10, activation='softmax'))  # 输出层

"""编译"""
model.compile('adam', 'categorical_crossentropy', ['acc'])

"""拟合、取10%样本来验证"""
model.fit(x, y, batch_size=256, epochs=20, verbose=2, validation_split=.1)

文本序列预测

import numpy as np
from keras.models import Sequential  # 顺序模型
from keras.layers import Dense, LSTM  # 全连接层、LSTM
from keras.utils.np_utils import to_categorical

"""创建样本"""
sequence = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
chr2int = {c: i for i, c in enumerate(sequence)}
int2chr = {i: c for i, c in enumerate(sequence)}
seq_len = len(sequence)  # 序列总长
window = 4  # 滑窗大小
x_ls, y_ls = [], []
for i in range(seq_len - window):
    seq_in = sequence[i: i + window]
    seq_out = sequence[i + window]
    x_ls.append([chr2int[c] for c in seq_in])
    y_ls.append(chr2int[seq_out])
    print(seq_in, '->', seq_out)
x = np.reshape(x_ls, (len(x_ls), window, 1))  # 输入维度
y = to_categorical(y_ls)  # one-hot编码

"""建模"""
model = Sequential()
model.add(LSTM(40, input_shape=x.shape[1:]))
model.add(Dense(y.shape[1], activation='softmax'))
model.compile('RMSprop', 'categorical_crossentropy', ['acc'])
model.fit(x, y, batch_size=1, epochs=400, verbose=2)

"""预测和评分"""
prediction = np.argmax(model.predict(x), axis=1)
for seq_in, seq_out in zip(x, prediction):
    seq_in = [int2chr[i] for i in seq_in.reshape(-1)]
    seq_out = int2chr[seq_out]
    print(seq_in, '->', seq_out)
acc = model.evaluate(x, y, verbose=2)[1]
print('准确率:%.2f%%' % acc)

余弦曲线拟合

import numpy as np, matplotlib.pyplot as mp
from keras.models import Sequential
from keras.layers import Dense, LSTM

"""创建样本"""
x_len = 1075
x = np.linspace(0, np.pi * 10.75, x_len, endpoint=False)
y = np.cos(x)
window = 75  # 时序滑窗大小
X = [y[i: i + window] for i in range(x_len - window)]
X = np.reshape(X, (-1, window, 1))  # shape (1000, 75, 1)
Y = y[window:].reshape(-1, 1)  # shape (1000, 1)

"""建模"""
model = Sequential()
model.add(LSTM(units=50, input_shape=X.shape[1:],
               return_sequences=True))  # True返回输出序列的全部
model.add(LSTM(units=100,
               return_sequences=False))  # False返回输出序列的最后一个
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')  # 均方误差(Mean Square Error)
model.fit(X, Y, batch_size=100, epochs=10, verbose=2)

"""预测"""
pred_len = 150  # 预测序列长度
for start in range(0, 1000, 200):
    x_pred = x[window + start: window + start + pred_len]
    y_pred = []  # 存放拟合序列
    X_pred = X[start]
    for i in range(pred_len):
        Y_pred = model.predict(X_pred.reshape(-1, window, 1))  # 预测
        y_pred.append(Y_pred[0])
        X_pred = np.concatenate((X_pred, Y_pred))[1:]  # 窗口滑动
    mp.scatter(x_pred[0], y_pred[0], c='r', s=9)  # 预测起始点
    mp.plot(x_pred, y_pred, 'r')  # 预测序列
mp.plot(x, y, 'y', linewidth=5, alpha=0.3)  # 原序列
mp.show()

在这里插入图片描述

from keras.utils import plot_model
plot_model(model, show_shapes=True, show_layer_names=False)

在这里插入图片描述

打印state

from keras.models import Model
from keras.layers import Input, SimpleRNN, LSTM, GRU
from keras.utils import plot_model
from numpy import reshape

x = reshape([1, 1], (1, 2, 1))

units = 4
l_rnn_ls = [
    SimpleRNN(units, return_sequences=True, return_state=True),
    LSTM(units, return_sequences=True, return_state=True),
    GRU(units, return_sequences=True, return_state=True)]
path_ls = ['SimpleRNN.png', 'LSTM.png', 'GRU.png']

for l_rnn, path in zip(l_rnn_ls, path_ls):
    t_input = Input(shape=(2, 1))
    t_output_ls = l_rnn(t_input)
    model = Model(t_input, t_output_ls)
    plot_model(model, path, show_shapes=True, show_layer_names=False)
    # 打印RNN输出
    t_output_ls = model.predict(x)
    print(path.replace('.png', ''))
    for t_output in t_output_ls:
        print(t_output, t_output.shape)
    print()

使用Keras进行深度学习:(五)RNN和双向RNN讲解及实践 欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习、深度学习的知识! 笔者:Ray 介绍 通过对前面文章的学习,对深度神经网络(DNN)和卷积神经网络(CNN)有了一定的了解,也感受到了这些神经网络在各方面的应用都有不错的效果。然而这些网络都有一个共同的特点:每一层的神经元之间是相互独立的,如输入层的神经元彼此之间是独立的。然而... 阅读详情

相关推荐

Keras实现RNN和LSTM做回归预测(python)

学习了RNN和LSTM的理论知识,下面再来使用Keras实现一下这些模型。 理论知识: 循环神经网络(RNN) LSTM神经网络和GRU Keras实现神经网络: Keras实现全连接神经网络(python) Keras的安装过程: Tensorflow和Keras版本对照及环境安装 1. 环境准备 import matplotlib.pyplot as plt from math import sqrt from matplotlib import pyplot import pandas a

小朱小朱绝不认输的博客 1万+

【Python机器学习】循环神经网络(RNN)——利用Keras实现循环神经网络

首先,加载数据集,获取标签并随机打乱样本,然后对文档分词并使用Word2vec模型使其向量化,接下来,获取标签,最后按照80/20的比例将原始数据分成训练集和测试集。

weixin_39407597的博客 1853

RNN循环神经网络

RNN(Recurrent Neural Network) 在传统的全连接神经网络中,从输入层到隐藏层再到输出层,每一层之间的节点是无连接的,因为输入和输出是独立的,所以这种普通的神经网络对于序列数据的处理是无能为力的。而现实中,绝大多数的数据都是序列数据,比如音频、视频、文本等,都存在时间线,想要挖掘数据中的序列信息和语义信息,就需要神经网有更加特殊的结构,比如对于序列信息每一时刻的信...

baijinswpu的博客 3608

python数据集获取与基本使用(sklearn自带的数据集、UCI数据集)

sklearn自带的数据集以及生成数据集自带的小数据集鸢尾花数据集:load_iris():用于分类任务的数据集手写数字数据集load_digits()乳腺癌数据集load-barest-cancer()糖尿病数据集波士顿房价数据集体能训练数据集:生成数据集 sklearn 的数据集种类 自带的小数据集(packaged dataset):sklearn.datasets.load_ 可在线下载的数据集(Downloaded Dataset):sklearn.datasets.fetch_ 计算机生成的数

haoweixl的博客 3万+

用RNN(循环神经网络)预测股票价格

本文演示了用Python编写的一个股票价格预测脚本,利用了TensorFlow和Keras库来构建和训练一个循环神经网络(RNN)模型,预测股票价格的相对完整的过程。

eeee~~的博客 4750

[Python人工智能] 十九.Keras搭建循环神经网络分类案例及RNN原理详解

从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了卷积神经网络CNN原理,并通过Keras编写CNN实现了MNIST分类学习案例。这篇文章将详细讲解循环神经网络RNN的原理知识,并采用TensorFlow实现手写数字识别的RNN分类案例及可视化呈现。基础性文章,希望对您有所帮助!

杨秀璋的专栏 9486

Keras 中的循环神经网络 (RNN)

简介循环神经网络 (RNN) 是一类神经网络,它们在序列数据(如时间序列或自然语言)建模方面非常强大。简单来说,RNN 层会使用​​for​​循环对序列的时间步骤进行迭代,同时维持一个内部状态,对截至目前所看到的时间步骤信息进行编码。Keras RNN API 的设计重点如下:易于使用:您可以使用内置keras.la...

一名高级工程师的博客 4865

Keras深度学习实战——使用循环神经网络构建情感分析模型

我们已经了解循环神经网络 (Recurrent neural networks, RNN) 的基本原理,并且在 Keras 中实现了 RNN 模型,在本节中,我们介绍了如何构建 RNN 模型进行航空推文情感分类。

盼小辉丶的博客 9673

Python-深度学习-Keras 简介

Keras 是一个 Python 深度学习框架,可以方便地定义和训练几乎所有类型的深度学习模型。Keras 最开始是为研究人员开发的,其目的在于快速实验。本文简单介绍了 Keras 的原理和用法。

ManWZD的博客 5286

Keras深度学习实战(27)——循环神经网络详解与实现

循环神经网络 (Recurrent neural networks, RNN) 是一种十分重要的神经网络模型,基本已经成为机器翻译、语音助手、序列视频分析等应用的标准处理手段。由于其具有记忆特性,可以处理上下文环境有关系的序列数据,因此在自然语言处理领域中有着广泛的应用。本文首先介绍了 RNN 的核心思想及其架构,然后从零开始实现了一个 RNN 模型,并通过前向计算验证了 RNN 的输出,从而对 RNN 的核心机制有更深刻的理解。

盼小辉丶的博客 9995

避坑指南:Qwen2.5-VL图片预处理中常见的5个尺寸错误

本文深入解析了Qwen2.5-VL模型在图片预处理环节中开发者最常遇到的五个尺寸错误,包括动态分辨率对齐、宽高比超标、像素数限制等问题。文章结合源码解读,详细剖析了`process_vision_info`函数和`resize`逻辑,并提供了具体的排查流程图与参数设置建议,旨在帮助开发者构建健壮的预处理流水线,有效规避显存溢出与推理失败的风险。

weixin_29290379的博客 178

Keras之00-入门介绍

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34268169的博客 103

ENVI SARscape安装全攻略:从下载到汉化一步到位(附最新试用申请链接)

本文提供ENVI SARscape从下载安装到汉化的完整指南,特别针对InSAR(合成孔径雷达干涉测量)分析环境搭建。详细介绍了系统要求、分步安装流程、汉化优化方法及硬件加速配置,并分享数据处理验证和常见问题解决方案,帮助用户高效搭建遥感数据分析平台。

rnn9storyteller的博客 1417

Keras - 一个基于 Theano 的深度学习 Python 库

Keras is a minimalist, highly modular neural network library in the spirit of Torch, written in Python / Theano so as not to have to deal with the dearth of ecosystem in Lua. It was developed with a f

MachineLP的专栏 2017

银河麒麟V10系统下VLC播放器安装全攻略(附3.0.9.2版本离线包下载)

本文详细介绍了在银河麒麟V10操作系统无网络环境下,从零开始编译安装VLC 3.0.9.2播放器的完整攻略。通过构建本地YUM仓库解决依赖问题,提供离线资源包下载,并逐步指导完成编译环境配置、软件编译与安装,帮助用户在国产麒麟系统上成功部署强大的多媒体播放能力。

a2b3c4d5e的博客 1226

S32K144(14)ADC

1、简介 开发板S32K144+S32DS+JLINK,裸机版的程序编写 S32K14x包含两个12位ADC模块,ADC0和ADC1 应用程序可能需要ADC的连续采样(4K采样/秒),这可能对CPU有相当大的负载。虽然使用可编程延迟块(PDB)来触发ADC可能会减少一些CPU负载,但当ADC以非常高的速率采样或PDB被绕过时,ADC支持DMA请求功能以获得更高的性能。ADC可以在转换完成时触发DMA(通过DMA请求)。TRGMUX会根据不同的应用需求,使用软件为用户提供更灵活的DMA触发方案,例如,可

朗朗上口就行啦的博客 1万+

经典回顾:Deep Learning with Python 2017第一版代码全解析与实战指南

**Deep Learning with Python** 是深度学习领域的里程碑著作,其配套的Jupyter notebooks项目([gh_mirrors/de/deep-learning-with-python-notebooks](https://link.gitcode.com/i/0f401d20328f114bf071582bd8ed346c))为初学者提供了从理论到实践的完整路径。

gitblog_00851的博客 731

【Halcon 】Halcon 实战:如何为 XLD 模板添加极性信息以提升匹配精度?

本文介绍了Halcon中为XLD轮廓模板添加极性信息的实用技巧。通过先以"ignore_local_polarity"模式创建模板,首次匹配获得位置后,使用set_shape_model_metric运算符结合真实图像为模板注入极性信息(边缘明暗方向)。这种方法弥补了XLD模板初始不支持极性的缺陷,可显著提升后续匹配的精度和抗干扰能力。实验显示,添加极性信息后的模板匹配效果明显优于无极性的匹配结果。该技术特别适用于基于手动绘制或处理后的XLD轮廓创建模板的场景。

songhuangong123的博客 753

Keras——用Keras搭建RNN分类循环神经网络

文章目录1.前言2.用Keras搭建RNN循环神经网络2.1.导入必要模块2.2.超参数设置2.3.数据预处理2.4.搭建模型2.5.激活模型2.6.训练+测试 1.前言 这次我们用循环神经网络(RNN, Recurrent Neural Networks)进行分类(classification),采用MNIST数据集,主要用到SimpleRNN层。 2.用Keras搭建RNN循环神经网络 2.1...

weixin_37763870的博客 3932

DSP2837X CLA开发实战教程

摘要: 本文详细解析TI C2000 DSP中CLA协处理器的开发流程,以TMS320F28377D的cla_divide案例为例,展示浮点除法验证的实现方法。从基础配置(消息RAM管理、任务触发)到高级调试(ePWM计时、断点设置),涵盖全流程开发要点。重点分析CLA编程约束(禁用标准库、数学优化)、多任务调度及常见问题解决方案(如死锁、数据同步)。提供FPGA协同加速、电机控制等扩展方向,并推荐官方例程与硬件平台(如创龙TL2837xF-EVM)。开发时需注意.cla文件语法支持及调试技巧,以充分发挥C

6763

精度0.01%决定续航多20km|新能源汽车研发测试:功率分析仪到底有多硬核?

新能源汽车测试、功率分析仪、电驱系统、效率MAP、谐波THD、GB/T18488、CLTC工况、三电测试、台架标定、能量流分析。中的核心作用,用公式、思维导图、实战金句与避坑指南,帮研发测试人员把准数据、提效率、降返工,看完就能落地用。点击关注,进公众号主页查看历史文章,**台架接线图、效率MAP模板、GB/T18488测试清单等。优化弱磁/调制策略,高效区占比提升5%,CLTC续航直接+8~20km。同样工况,两次数据差0.8%,报告根本没法交。结果:数据飘、定位慢、反复返工、认证不过。

优快云-新能源汽车研发测试专业博主 174

Keras——用Keras搭建RNN回归循环神经网络

文章目录1.前言2.用Keras搭建RNN回归循环神经网络2.1.导入必要模块2.2.超参数设置2.3.构造数据2.4.搭建模型2.5.激活模型2.6.训练+测试 1.前言 这次我们用循环神经网络(RNN, Recurrent Neural Networks)进行回归(Regression),主要用到LSTM RNN层。 2.用Keras搭建RNN回归循环神经网络 2.1.导入必要模块 impor...

weixin_37763870的博客 4858

C++(Qt)软件调试---静态分析工具clang-tidy(18)

现在很多人在开发中完全忽略了编译器、IDE的警告提示,这怎么可能写出稳定的程序。 clang-tidy是一个由LLVM项目提供的开源工具,是一个静态分析工具,用于进行静态代码分析和代码质量改进。

mahuifa的博客 5083

深度学习之RNN循环神经网络(理论+图解+Python代码部分)

目录 前言 一、普通神经网络 二、循环神经网络 1.前向传播 2.反向传播算法BPTT 3.自然语言处理之RNN  4.梯度问题 4.1梯度爆炸 4.2梯度消失: 5.Keras建立RNN模型进行IMDb情感分析的Python代码 前言 前段时间实验室人手一本《Deep Learning》,本文章结合这本圣经和博客上各类知识以及我自己的理解和实践,针对RNN循环神经网络作出...

huacha__的博客 3万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

深入解析循环神经网络(RNN)

循环神经网络(RNN)是处理序列数据的一种强大工具,广泛应用于自然语言处理、时间序列预测等领域。本文将深入探讨 RNN的优势、使用场景、项目案例及其代码实现。

颜淡慕潇 1万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

循环神经网络(RNN)

1.NN & RNN在神经网络从原理到实现一文中已经比较详细地介绍了神经网络,下面用一张图直观地比较NN与RNN地不同。从图1中可以看出,RNN比NN多了指向自己的环,即图1中的7,8,9,10节点及其连线。图2显示RNN展开的网络结构。在传统的神经网络中,我们假设所有的输入(包括输出)之间是相互独立的。对于很多任务来说,这是一个非常糟糕的假设。如果你想预测一个序列中的下一个词,你最好能知道哪些词在

雪伦的专栏 2万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: Keras【极简】CNN
下一篇: Keras【极简】LSTM【时序预测】
小基基o_O
博客等级 码龄9年 4414粉丝 467原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

小基基o_O

您的鼓励是我创作的巨大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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