keras搬砖系列-序贯模型简单例子

最新推荐文章于 2025-07-09 21:05:09 发布

原创最新推荐文章于 2025-07-09 21:05:09 发布 · 1.2k 阅读

4 ·

CC 4.0 BY-SA版权

深度学习=====keras搬砖系列专栏收录该内容

55 篇文章

订阅专栏

这篇博客介绍了Keras中序贯模型的应用，包括如何构建softmax分类器进行多分类任务，利用MLP（多层感知器）进行二分类问题，以及如何结合LSTM进行序列数据的处理。

keras搬砖系列-序贯模型简单例子

最近实验室又开始搬位子，，，有点小烦，搬来搬去并不能加快学习啊。利用好手里这批人才是关键，为什么大家心理不想想自己熟不熟悉这个领域就开始搞。。。可能最近要做语音识别了。

softmax分类器

# -*- coding: utf-8 -*-
"""
Created on Mon Jan 15 01:14:26 2018

@author: Administrator
"""
import keras
from keras.models import Sequential
from keras.layers import Dense,Dropout,Activation
from keras.optimizers import SGD

## Generate dummy data
import numpy as np
X_train = np.random.random((1000,20))
Y_train = keras.utils.to_categorical(np.random.randint(10,size=(1000,1)),num_classes=10)
X_test = np.random.random((100,20))
Y_test = keras.utils.to_categorical(np.random.randint(10,size=(100,1)),num_classes=10)

## Build a model
model = Sequential()
model.add(Dense(64,activation='relu',input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))

sgd = SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])
model.fit(X_train,Y_train,epochs=20,batch_size=128)
score = model.evaluate(X_test,Y_test,batch_size=128)

这是一个简单的回归例子，产生数据大致形式是这样的。

X_train建立了一个[1000,20]的矩阵，所以维数位20维。数字范围为[0-1]，Y_train是标签集，有10维，每一维有1000个样本，数值全部为0,1.

模型大概是一个全连接层，然后是全连接层，然后再加一个softmax激活函数进行分类。很简单，大家可以用model.summary来进行打印模型的参数。

MLP的二分类

# -*- coding: utf-8 -*-
"""
Created on Mon Jan 15 01:14:26 2018

@author: Administrator
"""
import numpy as np
from keras.models import Sequential
from keras.layers import Dense,Dropout

X_train = np.random.random((1000,20))
Y_train = np.random.randint(2,size=(1000,1))
X_test = np.random.random((100,20))
Y_test = np.random.randint(2,size=(100,1))

model = Sequential()
model.add(Dense(64,input_dim=20,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.7))
model.add(Dense(1,activation='sigmoid'))

model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy'])
model.fit(X_train,Y_train,epochs=20,batch_size=128)
score = model.evaluate(X_test,Y_test,batch_size=128)
print(score)

产生X_train的大小为1000*20，Y_train为1维的1000*1的数据。

很简单的几层进行01分类。

使用LSTM

from keras.models import Sequential
from keras.layers import Dense,Dropout
from keras.layers import Embedding
from keras.layers import LSTM

model=Sequential()
model.add(Embedding(max_features,output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(X_train,Y_train,batch_size=16,epochs=10)
score = model.evaluate(X_test,Y_test,batch_size=16)