DL之Keras：基于Keras框架建立模型實(shí)現(xiàn)【預(yù)測(cè)】功能的簡(jiǎn)介、設(shè)計(jì)思路、案例分析、代碼實(shí)現(xiàn)之詳細(xì)攻略(經(jīng)典，建議收藏)

?

?

?

目錄

Keras框架使用分析

Keras框架設(shè)計(jì)思路

案例分析

代碼實(shí)現(xiàn)

---

?

?

Keras框架使用分析

?

Keras框架設(shè)計(jì)思路

?

?

?

案例分析

1、實(shí)現(xiàn)分類預(yù)測(cè)：通過(guò)Keras建立模型，最終得到的模型能進(jìn)行兩種預(yù)測(cè)，一是判斷出類別，二是給出屬于相應(yīng)類別概率。
(1)、在Keras中，可以利用predict_class()函數(shù)來(lái)完成，利用最終的模型預(yù)測(cè)新數(shù)據(jù)樣本的類別。但是，這個(gè)函數(shù)僅適用于Sequential模型，不適于使用功能式API開(kāi)發(fā)的模型。
對(duì)三個(gè)實(shí)例預(yù)測(cè)：

# 建立一個(gè)新的分類模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成二分類數(shù)據(jù)集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定義并擬合最終模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 新的未知數(shù)據(jù)實(shí)例 Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1) Xnew = scalar.transform(Xnew) # 作出預(yù)測(cè) ynew = model.predict_classes(Xnew) # 顯示輸入和輸出 for i in range(len(Xnew)): print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

對(duì)一個(gè)實(shí)例預(yù)測(cè)：需要將它包裝變成一個(gè)數(shù)組的形式。以便傳給predict_classes()函數(shù)

from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler from numpy import array # 生成一個(gè)二分類數(shù)據(jù)集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定義并擬合最終的新模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 未知的新實(shí)例 Xnew = array([[0.89337759, 0.65864154]]) # 作出預(yù)測(cè) ynew = model.predict_classes(Xnew) # 顯示輸入輸出 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

?

?

代碼實(shí)現(xiàn)

1、基于Keras設(shè)計(jì)的簡(jiǎn)單二分類問(wèn)題開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)模型案例

# 訓(xùn)練一個(gè)最終分類的模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成一個(gè)二分類問(wèn)題的數(shù)據(jù)集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定義并擬合模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=200, verbose=0)

?

?

?

總結(jié)

以上是生活随笔為你收集整理的DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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