1 #設置隨機種子 2 seed = 7 3 numpy.random.seed(seed) 4 5 #加載數據 6 (X_train,y_train),(X_test,y_test) = mnist.load_data() 7 #print(X_train.shape[0]) 8 9 #數據集是3維的向量（instance length,width,height).對于多層感知機，模型的輸入是二維的向量，因此這里需要將數據集reshape，即將28*28的向量轉成784長度的數組。可以用numpy的reshape函數輕松實現這個過程。 10 num_pixels = X_train.shape[1] * X_train.shape[2] 11 X_train = X_train.reshape(X_train.shape[0],num_pixels).astype('float32') 12 X_test = X_test.reshape(X_test.shape[0],num_pixels).astype('float32') 13 14 #給定的像素的灰度值在0-255，為了使模型的訓練效果更好，通常將數值歸一化映射到0-1 15 X_train = X_train / 255 16 X_test = X_test / 255 17 # one hot encoding 18 y_train = np_utils.to_categorical(y_train) 19 y_test = np_utils.to_categorical(y_test) 20 num_classes = y_test.shape[1] 21 22 # 搭建神經網絡模型了，創建一個函數，建立含有一個隱層的神經網絡 23 def baseline_model(): 24 model = Sequential() # 建立一個Sequential模型,然后一層一層加入神經元 25 # 第一步是確定輸入層的數目正確：在創建模型時用input_dim參數確定。例如，有784個個輸入變量，就設成num_pixels。 26 #全連接層用Dense類定義：第一個參數是本層神經元個數，然后是初始化方式和激活函數。這里的初始化方法是0到0.05的連續型均勻分布（uniform），Keras的默認方法也是這個。也可以用高斯分布進行初始化（normal）。 27 # 具體定義參考：https://cnbeining.github.io/deep-learning-with-python-cn/3-multi-layer-perceptrons/ch7-develop-your-first-neural-network-with-keras.html 28 model.add(Dense(num_pixels,input_dim=num_pixels,kernel_initializer='normal',activation='relu')) 29 model.add(Dense(num_classes,kernel_initializer='normal',activation='softmax')) 30 model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy']) 31 return model 32 33 model = baseline_model() 34 #model.fit() 函數每個參數的意義參考：https://blog.csdn.net/a1111h/article/details/82148497 35 model.fit(X_train,y_train,validation_data=(X_test,y_test),epochs=10,batch_size=200,verbose=2) 36 # 1、模型概括打印 37 model.summary() 38 39 scores = model.evaluate(X_test,y_test,verbose=0) #model.evaluate 返回計算誤差和準確率 40 print(scores) 41 print("Base Error:%.2f%%"%(100-scores[1]*100))

?

轉載于:https://www.cnblogs.com/david2018098/p/10585856.html

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习-MNIST数据集-神经网络的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。