快捷導(dǎo)航

python?keras構(gòu)建和訓(xùn)練模型簡(jiǎn)便性初探

更新時(shí)間：2024年02月01日 10:36:30 作者：小寒聊python

這篇文章主要介紹了python?keras構(gòu)建和訓(xùn)練模型簡(jiǎn)便性初探，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

python keras訓(xùn)練模型

今天給大家分享一個(gè)超強(qiáng)的 python 庫(kù)，keras

keras 是一個(gè)開源的 python 庫(kù)，它簡(jiǎn)化了深度學(xué)習(xí)的復(fù)雜世界，甚至對(duì)于那些編碼經(jīng)驗(yàn)有限的人來說也很容易上手。在本文中，我們將深入 Keras 的世界，探索其本質(zhì)、優(yōu)勢(shì)、關(guān)鍵概念，甚至構(gòu)建一個(gè)簡(jiǎn)單的手寫數(shù)字識(shí)別模型！

特點(diǎn)

Keras 擁有多項(xiàng)優(yōu)勢(shì)，使其成為機(jī)器學(xué)習(xí)愛好者的熱門選擇。

簡(jiǎn)單性：其簡(jiǎn)潔的語(yǔ)法和對(duì)可讀性的關(guān)注使學(xué)習(xí)和編寫干凈的代碼變得更容易。
靈活性：它與 TensorFlow、PyTorch 和 JAX 等各種后端無縫集成，讓你可以自由地為你的項(xiàng)目選擇最佳工具。
功能：盡管 Keras 很簡(jiǎn)單，但它并沒有犧牲性能。它利用后端的計(jì)算能力來提供高效的訓(xùn)練和推理。
社區(qū)：Keras 擁有龐大且活躍的社區(qū)，提供充足的支持和資源來幫助你踏上機(jī)器學(xué)習(xí)之旅。

核心概念

現(xiàn)在，我們來看看 Keras 的核心概念。

層：神經(jīng)網(wǎng)絡(luò)的構(gòu)建塊，代表數(shù)據(jù)的不同轉(zhuǎn)換。Keras 提供各種層，例如用于線性運(yùn)算的密集層、用于圖像處理的卷積層以及用于文本等序列數(shù)據(jù)的循環(huán)層。
模型：定義神經(jīng)網(wǎng)絡(luò)整體架構(gòu)的層排列。Keras 允許你輕松堆疊和連接層以創(chuàng)建復(fù)雜的模型。
優(yōu)化器：調(diào)整神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)以提高其性能的技術(shù)。Keras 提供了各種優(yōu)化器，例如 Adam 和 SGD。
損失函數(shù)：衡量模型預(yù)測(cè)與實(shí)際數(shù)據(jù)相符程度的指標(biāo)。Keras 根據(jù)任務(wù)提供不同的損失函數(shù)，例如用于分類問題的分類交叉熵。

使用 Keras 構(gòu)建你的第一個(gè)模型

讓我們構(gòu)建一個(gè)簡(jiǎn)單的模型，使用 MNIST 數(shù)據(jù)集來識(shí)別手寫數(shù)字。

導(dǎo)入庫(kù)：首先導(dǎo)入 Keras 和其他必要的庫(kù)，例如 NumPy 和 matplotlib。
加載數(shù)據(jù)：加載 MNIST 數(shù)據(jù)集，其中包含手寫數(shù)字的圖像及其相應(yīng)的標(biāo)簽。
預(yù)處理數(shù)據(jù)：標(biāo)準(zhǔn)化像素值并重塑圖像以與 Keras 兼容。
定義模型：使用 Keras 層構(gòu)建神經(jīng)網(wǎng)絡(luò)架構(gòu)。從具有密集層和 Softmax 激活分類的簡(jiǎn)單模型開始。
編譯模型：選擇優(yōu)化器（例如 Adam）和損失函數(shù)（例如分類交叉熵）來編譯模型。
訓(xùn)練模型：將訓(xùn)練數(shù)據(jù)輸入模型并迭代小批量以更新其內(nèi)部參數(shù)。
評(píng)估模型：使用準(zhǔn)確性等指標(biāo)評(píng)估模型在測(cè)試數(shù)據(jù)上的性能。

import numpy as np
import keras
import matplotlib.pyplot as plt
# ---- Load data ----
(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()
# Preprocess data (normalize)
train_images = train_images / 255.0
test_images = test_images / 255.0
# ---- Build the model ----
model = keras.Sequential([
    # Input: Transforms images into 1D vectors
    keras.layers.Flatten(input_shape=(28, 28)),
    # Hidden: 128 neurons for feature learning
    keras.layers.Dense(128, activation='relu'),
    # Output: Probabilities for each class
    keras.layers.Dense(10, activation='softmax')
])
# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# ---- Train ----
history = model.fit(train_images, train_labels, epochs=10)
# ---- Evaluate ----
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test Accuracy:', test_acc)
# ---- Visualize ----
# Plot training & validation accuracy history
plt.plot(history.history['accuracy'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train'], loc='upper left')
plt.show()