Keras过程学习记录

最新推荐文章于 2024-12-12 22:55:15 发布

hszzjs

最新推荐文章于 2024-12-12 22:55:15 发布

阅读量843

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/hszzjs/article/details/78576848

本文介绍如何使用Keras搭建一个简单的全连接神经网络分类模型，包括模型构建、编译及训练过程。文中详细解释了Dense层参数设置、SGD优化器配置、损失函数与评估指标的选择，并给出完整代码实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

model.add(Dense(64, activation='relu', input_dim=20))

Dense是一个全连接层，64是指拥有64个隐藏层，在第一层的时候必须标注输入数据类型，也就是这里的input_dim，这是指的一般二维数据的情况下，在三维的时候还要说明input_length，这都是用来指定输入的input_shape的，activation指的就是激活函数应用的是relu。

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

在训练模型之前，我们需要通过compile来对学习过程进行配置。compile接收三个参数：

优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象。这里的优化器用的是SGD也就是梯度递减，这里面的参数：
- lr：大于0的浮点数，学习率
- momentum：大于0的浮点数，动量参数
- decay：大于0的浮点数，每次更新后的学习率衰减值
- nesterov：布尔值，确定是否使用Nesterov动量
损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。
指标列表metrics：对分类问题，我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典。这里很明显看的就是分类器的准确率。

model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)

这里面的意思就是模型已经建立好了，需要通过.fit函数来进行训练了，epoches指的是训练的迭代次数。batch就不介绍了，前面博客有说的。

附完整代码：

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
import keras

# 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)

model = Sequential()
# Dense(64) is a fully-connected layer with 64 hidden units.
# in the first layer, you must specify the expected input data shape:
# here, 20-dimensional vectors.
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dense(64, activation='relu'))
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)