DL之Keras：基于Keras框架建立模型實現【預測】功能的簡介、設計思路、案例分析、代碼實現之詳細攻略(經典，建議收藏)

?

?

?

目錄

Keras框架使用分析

Keras框架設計思路

案例分析

代碼實現

---

?

?

Keras框架使用分析

?

Keras框架設計思路

?

?

?

案例分析

1、實現分類預測：通過Keras建立模型，最終得到的模型能進行兩種預測，一是判斷出類別，二是給出屬于相應類別概率。
(1)、在Keras中，可以利用predict_class()函數來完成，利用最終的模型預測新數據樣本的類別。但是，這個函數僅適用于Sequential模型，不適于使用功能式API開發的模型。
對三個實例預測：

# 建立一個新的分類模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成二分類數據集 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) # 新的未知數據實例 Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1) Xnew = scalar.transform(Xnew) # 作出預測 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]))

對一個實例預測：需要將它包裝變成一個數組的形式。以便傳給predict_classes()函數

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 # 生成一個二分類數據集 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) # 未知的新實例 Xnew = array([[0.89337759, 0.65864154]]) # 作出預測 ynew = model.predict_classes(Xnew) # 顯示輸入輸出 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

?

?

代碼實現

1、基于Keras設計的簡單二分類問題開發的神經網絡模型案例

# 訓練一個最終分類的模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成一個二分類問題的數據集 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

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。