学习keras过程中的练习代码（笔记1）

奔跑的小仙女

已于 2022-02-17 10:54:19 修改

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签： keras学习代码

于 2019-07-17 17:45:51 首次发布

本文链接：https://blog.youkuaiyun.com/qq_43211132/article/details/96154978

这篇博客记录了作者在学习Keras过程中的一些练习代码，涉及分类任务、卷积神经网络（CNN）、循环神经网络（RNN）及其回归应用。还提到了使用Keras训练AutoEncoder模型以及网络的保存方法。

来意莫烦的网易云课程，加上自己的备注。
分类：

import numpy as np
np.random.seed(1337)  # for reproducibility  #随机种子
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import RMSprop
# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called
# X shape (60,000 28x28), y shape (10,000, )
f = np.load('G:/pycharm_project/mnist.npz')
X_train, y_train = f['x_train'],f['y_train']
X_test, y_test = f['x_test'],f['y_test']
#(X_train, y_train), (X_test, y_test) = mnist.load_data() #加载keras再带的mnist数据集

# data pre-processing
X_train = X_train.reshape(X_train.shape[0], -1) / 255.   # normalize   只保留第一维，其余的维度，重新排列为一维，-1等同于28*28，reshape后的数据是共60000行，每一行784个数据点。
X_test = X_test.reshape(X_test.shape[0], -1) / 255.      # normalize
y_train = np_utils.to_categorical(y_train, num_classes=10)  #转化为独热编码10类的
y_test = np_utils.to_categorical(y_test, num_classes=10)

# Another way to build your neural net
model = Sequential([                     #建立神经网络参数，两个全连接层，第一层输入维度784，输出维度32，第二层输入维度32，输出维度10，
    Dense(32, input_dim=784),
    Activation('relu'),   #每层后配有激活函数 relu
    Dense(10),
    Activation('softmax'),
])

# Another way to define your optimizer  #设置优化器参数，RMSProp通过引入一个衰减系数，让r没回都衰减一定比例，
rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)  #Ir学习率，rho大于0的浮点数，epsilon大于0的小浮点数，防止除0错误，衰减0

# We add metrics to get more results you want to see
model.compile(optimizer=rmsprop,  #模型配置
              loss='categorical_crossentropy',  #多类的对数损失，使用该目标函数时，需要将标签转化为形如（nb_samples,nb_classes)的二值序列，使用该函数时，标签应为多类模式，即0ne-hot编码的向量，而不是单个数值
              metrics=['accuracy'])   #包含评估模型在训练和测试时的网络性能的指标

print('Training ------------')
# Another way to train the model
model.fit(X_train, y_train, epochs=2, batch_size=32)   #训练

print('\nTesting ------------')
# Evaluate the model with the metrics we defined earlier
loss, accuracy = model.evaluate(X_test, y_test)

print('test loss: ', loss)
print('test accuracy: ', accuracy)

在这里插入图片描述

回归


# please note, all tutorial code are running under python3.5.
# If you use the version like python2.7, please modify the code accordingly

# 4 - Regressor example

import numpy as np
np.random.seed(1337)  # for reproducibility  生成相同的随机
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt

# create some data
X = np.linspace(-1, 1, 200)   #在-1到1之间产生等距的200个数据样本
np.random.shuffle(X)    # randomize the data   #随机打乱数据
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, )) #随机生成均值为0，标注差为0.05的200个数，符合正态分布
# plot data
plt.scatter(X, Y)  #画出散点图
plt.show()

X_train, Y_train = X[:160], Y[:160]     # first 160 data points  #取前160个数
X_test, Y_test = X[160:], Y[160:]       # last 40 data points 从160到最后

# build a neural network from the 1st la