學(xué)習(xí)Keras搭建序貫式模型，并學(xué)習(xí)使用MNIST手寫數(shù)字識別例子

from tensorflow.keras import layers, models# 創(chuàng)建一個序貫式模型對象 model = models.Sequential()# 添加第一個網(wǎng)絡(luò)層（作為輸入層） # 參數(shù)1：本層神經(jīng)元個數(shù)，2：激活函數(shù)類型，3：輸入樣本的形狀 model.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))# 添加第二個網(wǎng)絡(luò)層（作為輸出層） # 參數(shù)1：輸出個數(shù)，2：激活函數(shù)類型 model.add(layers.Dense(10, activation='softmax'))# 輸出模型的概覽 model.summary()

使用MNIST手寫數(shù)字識別例子，MNIST是經(jīng)典的手寫數(shù)字圖片數(shù)據(jù)集，下載地址：https://s3.amazonaws.com/img-datasets/mnist.npz，下載后存放于python代碼的目錄下

from tensorflow.keras import datasets# 1.加載MNIST數(shù)據(jù)集# 加載數(shù)據(jù)集 (X_train, y_train),(X_test, y_test)=datasets.mnist.load_data()# 查看拆分結(jié)果 print(X_train.shape, y_train.shape) print(X_test.shape, y_test.shape)# 2.使用Matplotlib查看圖片 import matplotlib.pyplot as plt# 查看訓(xùn)練集前10張圖片 fig = plt.figure(figsize=(12,4)) #定義畫板 for i in range(10):ax = fig.add_subplot(2,5, i+1)ax.matshow(X_train[i]) plt.show()# 3.數(shù)據(jù)預(yù)處理，搭建前饋神經(jīng)網(wǎng)絡(luò) #搭建序貫式模型，第一個網(wǎng)絡(luò)層作為輸入層，使用512個神經(jīng)元（可以自定義），第二個網(wǎng)絡(luò)層作為輸出層，使用10個神經(jīng)元（對應(yīng)10個類別），激活函數(shù)使用softmax from tensorflow.keras import layers, models# 轉(zhuǎn)換數(shù)據(jù)集的形狀，（轉(zhuǎn)成二維） X_train = X_train.reshape(60000, 28*28) X_test = X_test.reshape(10000, 28*28) print(X_train.shape)# 創(chuàng)建一個序貫式模型對象 model = models.Sequential()# 添加第一個網(wǎng)絡(luò)層（作為輸入層） # 參數(shù)1：本層神經(jīng)元個數(shù)，2：激活函數(shù)類型，3：輸入樣本的形狀 model.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))# 添加第二個網(wǎng)絡(luò)層（作為輸出層） model.add(layers.Dense(10, activation='softmax'))# 輸出模型的概覽 model.summary()# 4.編譯、訓(xùn)練模型，評估準(zhǔn)確率 # 編譯參數(shù)包括優(yōu)化器、損失函數(shù)、評價指標(biāo) # 編譯模型 model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy',metrics=['accuracy'])# 訓(xùn)練模型 # 訓(xùn)練參數(shù)包括：訓(xùn)練集數(shù)據(jù)、訓(xùn)練集標(biāo)簽、訓(xùn)練迭代次數(shù)、批尺寸 model.fit(X_train, y_train, epochs = 5, batch_size = 128)# 在測試集上評估模型 # 評估參數(shù)包括：測試集數(shù)據(jù)、測試集標(biāo)簽 test_loss,test_acc = model.evaluate(X_test, y_test) print(test_acc)# 5.使用模型識別手寫數(shù)字圖片 import numpy as np index = 9plt.matshow(X_test[index].reshape(28,28)) # 查看圖片 plt.show()# 使用模型識別該圖片 result = model.predict(X_test[index].reshape(-1,28*28)) print(np.around(result)) print(np.argmax(result))# 保存模型 # 策略一：保存全模型（網(wǎng)絡(luò)結(jié)構(gòu)+權(quán)重+編譯配置） # model.save('mnist_model.h5') # model = models.load_model('mnist_model.h5') # 策略二：僅保存權(quán)重 # model.save_weights('mnist_weight_model.h5') # model.load_weights('mnist_weight_model.h5') # 策略三：僅保存網(wǎng)絡(luò)結(jié)構(gòu) # json_string = model.to_json() # with open('mnist_model_json.json', 'w') as f: # f.write(json_string) # with open('mnist_model_json.json', 'r') as f: # json_string = f.read() # model = models.model_from_json(json_string)

總結(jié)

以上是生活随笔為你收集整理的Keras搭建序贯式模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。