欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

keras建模的3種方式詳解

 更新時間：2023年08月23日 10:48:02   作者：月瘋  
這篇文章主要介紹了keras建模的3種方式詳解,keras是Google公司于2016年發(fā)布的以tensorflow為后端的用于深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練的高階API,因接口設(shè)計非常人性化,深受程序員的喜愛,需要的朋友可以參考下

keras建模的3種方式

keras是google公司2016年發(fā)布的tensorflow為后端的深度學(xué)習(xí)網(wǎng)絡(luò)的高級接口。

三種建模方式：

  1. 序列模型
  2. 函數(shù)模型
  3. 子類模型

第一種序列模型：

import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Sequential
from keras.models import load_model
from keras.layers import Dense
#加載數(shù)據(jù)
def read_data(path):
    mnist=input_data.read_data_sets(path,one_hot=True)
    train_x,train_y=mnist.train.images,mnist.train.labels,
    valid_x,valid_y=mnist.validation.images,mnist.validation.labels,
    test_x,test_y=mnist.test.images,mnist.test.labels
    return train_x,train_y,valid_x,valid_y,test_x,test_y
#序列模型
def DNN(train_x,train_y,valid_x,valid_y):
    #創(chuàng)建模型
    model=Sequential()
    model.add(Dense(64,input_dim=784,activation='relu'))
    model.add(Dense(128,activation='relu'))
    model.add(Dense(10,activation='softmax'))
    #查看網(wǎng)絡(luò)模型
    model.summary()
    #編譯模型
    model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
    #訓(xùn)練模型
    model.fit(train_x,train_y,batch_size=500,nb_epoch=100,verbose=1,validation_data=(valid_x,valid_y))
    #保存模型
    model.save('sequential.h5')
train_x,train_y,valid_x,valid_y,test_x,test_y=read_data('MNIST_data')
DNN(train_x,train_y,valid_x,valid_y)
model=load_model('sequential.h5')  #下載模型
pre=model.predict(test_x)  #測試驗證
#計算驗證集精度
a=np.argmax(pre,1)
b=np.argmax(test_y,1)
t=(a==b).astype(int)
acc=np.sum(t)/len(a)
print(acc)

 第二種函數(shù)模型

import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Model
from keras.models import load_model
from keras.layers import Input,Dense
#加載數(shù)據(jù)
def read_data(path):
    mnist=input_data.read_data_sets(path,one_hot=True)
    train_x,train_y=mnist.train.images,mnist.train.labels,
    valid_x,valid_y=mnist.validation.images,mnist.validation.labels,
    test_x,test_y=mnist.test.images,mnist.test.labels
    return train_x,train_y,valid_x,valid_y,test_x,test_y
#函數(shù)模型
def DNN(train_x,train_y,valid_x,valid_y):
    #創(chuàng)建模型
    inputs=Input(shape=(784,))
    x=Dense(64,activation='relu')(inputs)
    x=Dense(128,activation='relu')(x)
    output=Dense(10,activation='softmax')(x)
    model=Model(input=inputs,output=output)
    #查看網(wǎng)絡(luò)結(jié)構(gòu)
    model.summary()
    #編譯模型
    model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
    #訓(xùn)練模型
    model.fit(train_x,train_y,batch_size=500,nb_epoch=100,verbose=1,validation_data=(valid_x,valid_y))
    #保存模型
    model.save('fun_model.h5')
train_x,train_y,valid_x,valid_y,test_x,test_y=read_data('MNIST_data')
DNN(train_x,train_y,valid_x,valid_y)
model=load_model('fun_model.h5')  #下載模型
pre=model.predict(test_x)  #驗證數(shù)據(jù)集
#驗證數(shù)據(jù)集準確度
a=np.argmax(pre,1)
b=np.argmax(test_y,1)
t=(a==b).astype(int)
acc=np.sum(t)/len(a)
print(acc)

第三種子類模型

import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
from keras.models import Model
from keras.layers import Dense
#加載數(shù)據(jù)
def read_data(path):
    mnist=input_data.read_data_sets(path,one_hot=True)
    train_x,train_y=mnist.train.images,mnist.train.labels,
    valid_x,valid_y=mnist.validation.images,mnist.validation.labels,
    test_x,test_y=mnist.test.images,mnist.test.labels
    return train_x,train_y,valid_x,valid_y,test_x,test_y
#子類模型
class DNN(Model):
    def __init__(self,train_x,train_y,valid_x,valid_y):
        super(DNN,self).__init__()
        #初始化網(wǎng)絡(luò)模型
        self.dense1=Dense(64,input_dim=784,activation='relu')
        self.dense2=Dense(128,activation='relu')
        self.dense3=Dense(10,activation='softmax')
    def call(self,inputs):  #回調(diào)順序
        x=self.dense1(inputs)
        x=self.dense2(x)
        x=self.dense3(x)
        return x
train_x,train_y,valid_x,valid_y,test_x,test_y=read_data('MNIST_data')
model=DNN(train_x,train_y,valid_x,valid_y)
#編譯模型（學(xué)習(xí)率、損失函數(shù)、模型評估）
model.compile(optimizer='adam(lr=0.001)',loss='categorical_crossentropy',metrics=['accuracy'])
#訓(xùn)練模型
model.fit(train_x,train_y,batch_size=500,nb_epoch=100,verbose=1,validation_data=(valid_x,valid_y))
#查看網(wǎng)絡(luò)結(jié)構(gòu)
model.summary()
pre=model.predict(test_x)  #驗證數(shù)據(jù)集
#計算驗證數(shù)據(jù)集的準確度
a=np.argmax(pre,1)
b=np.argmax(test_y,1)
t=(a==b).astype(int)
acc=np.sum(t)/len(a)
print(acc)

常用的損失函數(shù)： 

mse #均方差（回歸）

mae #絕對誤差（回歸）

binary_crossentropy #二值交叉熵（二分類，邏輯回歸）

categorical_crossentropy #交叉熵（多分類）

到此這篇關(guān)于keras建模的3種方式詳解的文章就介紹到這了,更多相關(guān)keras建模方式內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評論