简单神经网络训练模型(pima-indians-diabetes)-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_42304949/article/details/103668233

本文档介绍了使用Pima Indians Diabetes数据集训练一个简单的神经网络模型的过程，包括数据集的下载和查看、模型训练、性能评估及模型的保存与权重存储。在训练过程中，模型在最后几个epoch的精度有所提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据集

下载&查看
Pima Indians Diabetes Data Set(皮马印第安人糖尿病数据集)

shape=(768,9)
该数据集总共九列(特征)：

Number of times pregnant 怀孕次数
Plasma glucose concentration a 2 hours in an oral glucose tolerance test 葡萄糖
Diastolic blood pressure (mm Hg) 血压
Triceps skin fold thickness (mm) 皮层厚度
2-Hour serum insulin (mu U/ml) 胰岛素 2小时血清胰岛素
Body mass index (weight in kg/(height in m)^2) 体重指数（体重/身高）
Diabetes pedigree function 糖尿病谱系功能
Age (years) 年龄（岁）
Class variable (0 or 1) 类标变量（0或1）是否患病

训练模型

import tensorflow as tf
import numpy

dataset=numpy.loadtxt('pima-indians-diabetes.csv',delimiter=',')
X=dataset[:,0:8]
Y=dataset[:,8]

#1 define the network
model=tf.keras.Sequential()
model.add(tf.keras.layers.Dense(12,input_dim=8,activation='relu'))
model.add(tf.keras.layers.Dense(1,activation='sigmoid'))

# 2 compile the network 
model.compile(loss='binary_crossentropy',
                             optimizer='adam',
                             metrics=['accuracy']
                            )
#3 fitthe network 
history=model.fit(X,Y,epochs=100,batch_size=10,verbose=1)

最后三个epoch,epoch增多，精度呈现上升趋势上升。



    Epoch 98/100
    768/768 [==============================] - 0s 130us/sample - loss: 0.5204 - accuracy: 0.7591
    Epoch 99/100
    768/768 [==============================] - 0s 126us/sample - loss: 0.5480 - accuracy: 0.7344
    Epoch 100/100
    768/768 [==============================] - 0s 122us/sample - loss: 0.5669 - accuracy: 0.7083

评估和预测模型

# 4 evaluate the network
loss,accuracy=model.evaluate(X,Y,verbose=1)
print('\nLoss: %.2f, Accuracy: %.2f'%(loss,accuracy*100))

# make predictions
probabilities=model.predict(X)
predictions=[float(numpy.round(x)) for x in probabilities]
acc=numpy.mean(predictions==Y)
print('Prediction Accuracy: %.2f%%'%(acc*100))

768/1 [=====] - 0s 109us/sample - loss: 0.5756 - accuracy: 0.7552

Loss: 0.51, Accuracy: 75.52
Prediction Accuracy: 75.52%

保存模型和权重

4.6 保存和加载模型 TensorFlow有两种保存模型的方法，一种是只保存模型的权重和偏置，另一种是保存整个模型。基本用法如

model.save_weights('./save_weights/my_save_weigthts')
model.load_weights('./save_weights/my_save_weigthts')

<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f265c603850>

model.save('my_model.h5')
restored_model=tf.keras.models.load_model('./my_model.h5')