python神经网络学习使用Keras进行简单分类

第python神经网络学习使用Keras进行简单分类目录学习前言Keras中分类的重要函数1、np_utils.to_categorical2、Activation3、metrics=[accuracy]全部代码

学习前言

上一篇讲了如何构建回归算法，这一次将怎么进行简单分类。

Keras中分类的重要函数

1、np_utils.to_categorical

np_utils.to_categorical用于将标签转化为形如(nb_samples,nb_classes)的二值序列。

假设num_classes=10。

如将[1,2,3,4]转化成：

[[0,1,0,0,0,0,0,0]

[0,0,1,0,0,0,0,0]

[0,0,0,1,0,0,0,0]

[0,0,0,0,1,0,0,0]]

这样的形态。

如将Y_train转化为二值序列，可以用如下方式：

Y_train=np_utils.to_categorical(Y_train,num_classes=10)

2、Activation

Activation是激活函数，一般在每一层的输出使用。

当我们使用Sequential模型构建函数的时候，只需要在每一层Dense后面添加Activation就可以了。

Sequential函数也支持直接在参数中完成所有层的构建，使用方法如下。

model=Sequential([

Dense(32,input_dim=784),

Activation("relu"),

Dense(10),

Activation("softmax")

其中两次Activation分别使用了relu函数和softmax函数。

3、metrics=[accuracy]

在pile中添加metrics=[accuracy]表示需要计算分类精确度，具体使用方式如下：

pile(

loss='categorical_crossentropy',

optimizer=rmsprop,

metrics=['accuracy']

全部代码

这是一个简单的仅含有一个隐含层的神经网络，用于完成手写体识别。在本例中，使用的优化器是RMSprop，具体可以使用的优化器可以参照Keras中文文档。

importnumpyasnp

fromkeras.modelsimportSequential

fromkeras.layersimportDense,Activation##全连接层

fromkeras.datasetsimportmnist

fromkeras.utilsimportnp_utils

fromkeras.optimizersimportRMSprop

#获取训练集

(X_train,Y_train),(X_test,Y_test)=mnist.load_data()

#首先进行标准化

X_train=X_train.reshape(X_train.shape[0],-1)/255

X_test=X_test.reshape(X_test.shape[0],-1)/255

#计算categorical_crossentropy需要对分类结果进行categorical

#即需要将标签转化为形如(nb_samples,nb_classes)的二值序列

Y_train=np_utils.to_categorical(Y_train,num_classes=10)

Y_test=np_utils.to_categorical(Y_test,num_classes=10)

#构建模型

model=Sequential([

Dense(32,input_dim=784),

Activation("relu"),

Dense(10),

Activation("softmax")

rmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0)

##compile

pile(loss='categorical_crossentropy',optimizer=rmsprop,metrics=['accuracy'])

print("\ntraining")

cost=model.fit(X_train,Y_train,nb_epoch=2,batch_size=32)

print("\nTest")

cost,accuracy=model.evaluate(X_test,Y_test)

##W,b=model.layers[0].get_weights()

print("accuracy:",accuracy)

实验结果为：

Epoch1/2

60000/60000[==============================]-12s202us/step-loss:0.3512-acc:0.9022

Epoch2/2

60000/60000[==============================]-11s183us/step-loss:0.2037-acc:0.9419

10000/10000[============