码迷,mamicode.com
首页 > 其他好文 > 详细

(数据科学学习手札44)在Keras中训练多层感知机

时间:2018-07-29 12:55:21      阅读:184      评论:0      收藏:0      [点我收藏+]

标签:输入   第一个   pil   分类   drop   from   次数   迭代   nump   

一、简介

  Keras是有着自主的一套前端控制语法,后端基于tensorflow和theano的深度学习框架,因为其搭建神经网络简单快捷明了的语法风格,可以帮助使用者更快捷的搭建自己的神经网络,堪称深度学习框架中的sklearn,本文就将基于Keras,以手写数字数据集MNIST为演示数据,对多层感知机(MLP)的训练方法进行一个基本的介绍,而关于多层感知机的相关原理,请移步数据科学学习手札34:https://www.cnblogs.com/feffery/p/8996623.html,本文不再赘述。

 

二、利用Keras训练多层感知机

2.1 数据准备

  由于keras.datasets中的mnist数据集获取方法为在线模式,目标网站在国内被墙了,所以这里提供另一种获取mnist数据集并读入的方式:

  我们使用numpy中的load方法来读取npz格式的mnist数据集,下载地址在我的云盘中:链接: https://pan.baidu.com/s/13eBq9kmD0Vo6PMtfGVVlPQ 密码: xm77,下载完成后把mnist.npz文件放入keras模块的安装路径下的datasets文件夹中,这个自行去查找,例如我的路径就在D:\anaconda\Lib\site-packages\keras\datasets,找到路经后放入mnist.npz即可,接着在程序脚本中以下面的方式读入(因为mnist.npz文件中各个子数据集是以字典形式存放):

import numpy as np

#因为keras中在线获取mnist数据集的方法在国内被ban,这里采用mnist.npz文件来从本地获取mnist数据
path = rD:\anaconda\Lib\site-packages\keras\datasets\mnist.npz

with np.load(path) as f:
    X_train, y_train = f[x_train], f[y_train]
    X_test, y_test = f[x_test], f[y_test]

通过上述步骤,我们就获得了我们所需要的数据。

 

2.2 数据预处理

  在获得所需数据并成功读入后,我们需要做的是对数据进行预处理,因为本文只用到多层感知机来对mnist数据实现分类,并没有条件利用到每一个28X28格式手写数字灰度值样本的空间结构信息,所以需要将自变量进行从28X28到1X784的展开,并且由于输出目标为多类别,需要对因变量做one hot处理,并将全部数据转换为GPU运算支持的float32形式并归一化,相关代码如下:

#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

‘‘‘将训练集与测试集重塑成维度为784,数值类型为float32的形式‘‘‘
X_train = X_train.reshape(60000, RESHAPED).astype(float32)
X_test = X_test.reshape(10000, RESHAPED).astype(float32)

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵,即one-hot处理,传入单值,返回制定长度的向量表示形式
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)

至此,数据的预处理部分结束,下面正式进行MLP的模型搭建和训练过程;

 

2.3 第一个不带隐层的多层感知机模型

  首先,导入相关模块和组件:

‘‘‘这个脚本以MNIST手写数字识别为例演示无隐层的多层感知机模型在Keras中的应用‘‘‘


import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

  接着,我们定义训练需要设置的一些必要参数:

‘‘‘设置随机数种子‘‘‘
np.random.seed(42)


‘‘‘网络结构参数预定义部分‘‘‘

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2

  现在到了最关键的网络结构搭建的部分,对于多层感知机,我们使用序贯模型Sequential来初始化,序贯模型的特点是网络的各组件按照其向后传播的路径来add,针对本例如下:

‘‘‘网络结构搭建部分‘‘‘
#定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义输入层到输出层之间的网络部分
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,)))
#为输出层添加softmax激活函数以实现多分类
model.add(Activation(softmax))
#打印模型结构
model.summary()

  现在本例中的简单无隐层多层感知机就搭建完成,通过model.summary()我们可以看到网络结构如下:

技术分享图片

可以看出每一层的结构非常清楚明了,这也是Keras的魅力所在,接着我们进行网络的编译,因为keras的后端是tensorflow或theano,所以需要将keras前端语言搭建的神经网络编译为后端可以接受的形式,在这个编译的过程中我们也设置了一些重要参数:

#在keras中将上述简单语句定义的模型编译为tensorflow或theano中的模型形式
#这里定义了损失函数为多分类对数损失,优化器为之前定义的SGD随机梯度下降优化器,评分标准为accuracy准确率
model.compile(loss=categorical_crossentropy,optimizer=OPTIMIZER,metrics=[accuracy])

  至此,网络的所有准备工作都已结束,下面进行正式的训练:

#进行训练并将模型训练历程及模型参数细节保存在history中,这里类似sklearn的方式,定义了自变量和因变量,以及批训练的尺寸,迭代次数,是否打印训练过程,验证集比例
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)

我们之前设置的训练迭代次数NB_EPOCH为40,又因为上面的fit代码中设置了verbose为1,即打印训练过程,所以得到结果如下(这里直接看第40轮迭代结果):

Epoch 40/40
  128/48000 [..............................] - ETA: 1s - loss: 0.2974 - acc: 0.8906
 3968/48000 [=>............................] - ETA: 0s - loss: 0.3158 - acc: 0.9115
 7808/48000 [===>..........................] - ETA: 0s - loss: 0.3303 - acc: 0.9061
11776/48000 [======>.......................] - ETA: 0s - loss: 0.3336 - acc: 0.9067
15616/48000 [========>.....................] - ETA: 0s - loss: 0.3332 - acc: 0.9075
19072/48000 [==========>...................] - ETA: 0s - loss: 0.3305 - acc: 0.9085
22784/48000 [=============>................] - ETA: 0s - loss: 0.3264 - acc: 0.9095
26624/48000 [===============>..............] - ETA: 0s - loss: 0.3245 - acc: 0.9093
30464/48000 [==================>...........] - ETA: 0s - loss: 0.3263 - acc: 0.9085
34048/48000 [====================>.........] - ETA: 0s - loss: 0.3256 - acc: 0.9090
37760/48000 [======================>.......] - ETA: 0s - loss: 0.3271 - acc: 0.9092
40960/48000 [========================>.....] - ETA: 0s - loss: 0.3279 - acc: 0.9087
43648/48000 [==========================>...] - ETA: 0s - loss: 0.3285 - acc: 0.9084
46336/48000 [===========================>..] - ETA: 0s - loss: 0.3307 - acc: 0.9075
48000/48000 [==============================] - 1s 16us/step - loss: 0.3313 - acc: 0.9075 - val_loss: 0.3153 - val_acc: 0.9137

可以看出,在经过40轮迭代后,我们的网络在训练集上的多分类损失函数上下降到0.3313,在训练集上的准确率达到0.9075,在验证集上的多分类损失函数下降到0.3153,在验证集上的准确率达到0.9137,接着我们将测试集中的10000个样本输入训练好的模型进行性能评估;

#在测试集上对训练好的网络性能进行评估,返回第一项为损失函数,第二项为accuracy
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数和准确率
print(Test Score:,score[0])
print(Test accuracy:,score[1])

技术分享图片

 

 

2.4 添加隐层的多层感知机

  上一个例子中我们使用不添加隐层的MLP在40轮迭代后达到0.9137的准确率,接下来我们来看看添加两层隐层后网络的学习能力会有怎样的提升,在keras中对MLP添加隐层的方法非常简单,只需要按照顺序在指定的位置插入隐层即对应的激活函数即可:

‘‘‘网络结构搭建部分‘‘‘
#定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义网络中输入层与第一个隐层之间的部分
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation(relu))
#添加第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation(relu))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层添加softmax激活函数
model.add(Activation(softmax))
#打印网络结构
model.summary()

得到的新的网路结构如下:

技术分享图片

其他部分代码均不变,得到40轮后的最终训练结果如下:

Epoch 40/40
  128/48000 [..............................] - ETA: 1s - loss: 0.0715 - acc: 0.9922
 1792/48000 [>.............................] - ETA: 1s - loss: 0.0997 - acc: 0.9721
 3456/48000 [=>............................] - ETA: 1s - loss: 0.1142 - acc: 0.9702
 4736/48000 [=>............................] - ETA: 1s - loss: 0.1157 - acc: 0.9704
 6016/48000 [==>...........................] - ETA: 1s - loss: 0.1178 - acc: 0.9694
 7424/48000 [===>..........................] - ETA: 1s - loss: 0.1141 - acc: 0.9698
 8960/48000 [====>.........................] - ETA: 1s - loss: 0.1151 - acc: 0.9696
10624/48000 [=====>........................] - ETA: 1s - loss: 0.1165 - acc: 0.9697
12288/48000 [======>.......................] - ETA: 1s - loss: 0.1185 - acc: 0.9692
14080/48000 [=======>......................] - ETA: 1s - loss: 0.1162 - acc: 0.9695
15744/48000 [========>.....................] - ETA: 1s - loss: 0.1166 - acc: 0.9692
17408/48000 [=========>....................] - ETA: 0s - loss: 0.1178 - acc: 0.9682
19200/48000 [===========>..................] - ETA: 0s - loss: 0.1183 - acc: 0.9680
20864/48000 [============>.................] - ETA: 0s - loss: 0.1182 - acc: 0.9681
22528/48000 [=============>................] - ETA: 0s - loss: 0.1192 - acc: 0.9674
24192/48000 [==============>...............] - ETA: 0s - loss: 0.1192 - acc: 0.9675
25984/48000 [===============>..............] - ETA: 0s - loss: 0.1194 - acc: 0.9670
27648/48000 [================>.............] - ETA: 0s - loss: 0.1194 - acc: 0.9668
29312/48000 [=================>............] - ETA: 0s - loss: 0.1195 - acc: 0.9663
30976/48000 [==================>...........] - ETA: 0s - loss: 0.1202 - acc: 0.9658
32640/48000 [===================>..........] - ETA: 0s - loss: 0.1199 - acc: 0.9657
34304/48000 [====================>.........] - ETA: 0s - loss: 0.1202 - acc: 0.9659
35968/48000 [=====================>........] - ETA: 0s - loss: 0.1220 - acc: 0.9655
37632/48000 [======================>.......] - ETA: 0s - loss: 0.1224 - acc: 0.9654
39296/48000 [=======================>......] - ETA: 0s - loss: 0.1231 - acc: 0.9651
40960/48000 [========================>.....] - ETA: 0s - loss: 0.1226 - acc: 0.9651
42624/48000 [=========================>....] - ETA: 0s - loss: 0.1228 - acc: 0.9651
44288/48000 [==========================>...] - ETA: 0s - loss: 0.1223 - acc: 0.9652
45952/48000 [===========================>..] - ETA: 0s - loss: 0.1218 - acc: 0.9653
47744/48000 [============================>.] - ETA: 0s - loss: 0.1218 - acc: 0.9654
48000/48000 [==============================] - 2s 34us/step - loss: 0.1217 - acc: 0.9655 - val_loss: 0.1379 - val_acc: 0.9605

可以看出,网络性能在前面例子的基础上取得了显著的提升,下面再在测试集上评估网络性能得到结果如下:

技术分享图片

 

2.5 添加Dropout层的双隐层MLP

  Dropout是一种提升网络泛化能力的技巧,在我前面关于tensorflow的博客中也介绍过,它通过随机的将某一内部层的输出结果,抹除为0再传入下一层,达到提升网络泛化能力的效果,在keras中为MLP添加Dropout层非常方便:

from keras.layers.core import Dense,Dropout,Activation

‘‘‘网络结构搭建部分‘‘‘
##定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义输入层与第一层隐层
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation(relu))
#为第一层隐层的输出部分添加Dropout功能,即随机把指定比例的值修改为0
model.add(Dropout(0.3))
#定义第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation(relu))
#为第二层隐层添加Dropout功能
model.add(Dropout(0.3))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层定义softmax激活函数
model.add(Activation(softmax))
#打印模型结构信息
model.summary()

得到的新的网络结构如下:

技术分享图片

同样在40轮训练后达到的性能效果如下:

Epoch 40/40
  128/48000 [..............................] - ETA: 2s - loss: 0.2181 - acc: 0.9531
 1536/48000 [..............................] - ETA: 1s - loss: 0.2049 - acc: 0.9414
 2944/48000 [>.............................] - ETA: 1s - loss: 0.2062 - acc: 0.9385
 4352/48000 [=>............................] - ETA: 1s - loss: 0.2032 - acc: 0.9391
 5632/48000 [==>...........................] - ETA: 1s - loss: 0.2042 - acc: 0.9402
 6912/48000 [===>..........................] - ETA: 1s - loss: 0.2010 - acc: 0.9423
 8192/48000 [====>.........................] - ETA: 1s - loss: 0.1997 - acc: 0.9425
 9600/48000 [=====>........................] - ETA: 1s - loss: 0.2016 - acc: 0.9426
11008/48000 [=====>........................] - ETA: 1s - loss: 0.2000 - acc: 0.9426
12288/48000 [======>.......................] - ETA: 1s - loss: 0.1998 - acc: 0.9427
13568/48000 [=======>......................] - ETA: 1s - loss: 0.1992 - acc: 0.9432
14848/48000 [========>.....................] - ETA: 1s - loss: 0.1969 - acc: 0.9438
16256/48000 [=========>....................] - ETA: 1s - loss: 0.1977 - acc: 0.9431
17408/48000 [=========>....................] - ETA: 1s - loss: 0.1999 - acc: 0.9425
18688/48000 [==========>...................] - ETA: 1s - loss: 0.2024 - acc: 0.9417
20096/48000 [===========>..................] - ETA: 1s - loss: 0.2029 - acc: 0.9412
21504/48000 [============>.................] - ETA: 1s - loss: 0.2034 - acc: 0.9406
22784/48000 [=============>................] - ETA: 0s - loss: 0.2027 - acc: 0.9406
24192/48000 [==============>...............] - ETA: 0s - loss: 0.2019 - acc: 0.9409
25600/48000 [===============>..............] - ETA: 0s - loss: 0.2015 - acc: 0.9413
27008/48000 [===============>..............] - ETA: 0s - loss: 0.2010 - acc: 0.9414
28288/48000 [================>.............] - ETA: 0s - loss: 0.2010 - acc: 0.9413
29696/48000 [=================>............] - ETA: 0s - loss: 0.1997 - acc: 0.9415
31104/48000 [==================>...........] - ETA: 0s - loss: 0.1999 - acc: 0.9408
32512/48000 [===================>..........] - ETA: 0s - loss: 0.2010 - acc: 0.9402
33792/48000 [====================>.........] - ETA: 0s - loss: 0.2025 - acc: 0.9401
35200/48000 [=====================>........] - ETA: 0s - loss: 0.2023 - acc: 0.9398
36608/48000 [=====================>........] - ETA: 0s - loss: 0.2020 - acc: 0.9399
38016/48000 [======================>.......] - ETA: 0s - loss: 0.2030 - acc: 0.9396
39296/48000 [=======================>......] - ETA: 0s - loss: 0.2025 - acc: 0.9398
40448/48000 [========================>.....] - ETA: 0s - loss: 0.2014 - acc: 0.9402
41472/48000 [========================>.....] - ETA: 0s - loss: 0.2017 - acc: 0.9400
42496/48000 [=========================>....] - ETA: 0s - loss: 0.2010 - acc: 0.9404
43520/48000 [==========================>...] - ETA: 0s - loss: 0.2024 - acc: 0.9401
44928/48000 [===========================>..] - ETA: 0s - loss: 0.2026 - acc: 0.9402
46336/48000 [===========================>..] - ETA: 0s - loss: 0.2026 - acc: 0.9403
47744/48000 [============================>.] - ETA: 0s - loss: 0.2033 - acc: 0.9401
48000/48000 [==============================] - 2s 43us/step - loss: 0.2036 - acc: 0.9401 - val_loss: 0.1375 - val_acc: 0.9618

在测试集上的评估效果如下:

技术分享图片

 

 

三、完整代码

3.1 第一个不带隐层的多层感知机模型

‘‘‘这个脚本以MNIST手写数字识别为例演示无隐层的多层感知机模型在Keras中的应用‘‘‘


import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils



‘‘‘设置随机数种子‘‘‘
np.random.seed(42)


‘‘‘网络结构参数预定义部分‘‘‘

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2

‘‘‘数据预处理部分‘‘‘

#因为keras中在线获取mnist数据集的方法在国内被ban,这里采用mnist.npz文件来从本地获取mnist数据
path = rD:\anaconda\Lib\site-packages\keras\datasets\mnist.npz

with np.load(path) as f:
    X_train, y_train = f[x_train], f[y_train]
    X_test, y_test = f[x_test], f[y_test]


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

‘‘‘将训练集与测试集重塑成维度为784,数值类型为float32的形式‘‘‘
X_train = X_train.reshape(60000, RESHAPED).astype(float32)
X_test = X_test.reshape(10000, RESHAPED).astype(float32)

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵,即one-hot处理,传入单值,返回制定长度的向量表示形式
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



‘‘‘网络结构搭建部分‘‘‘
#定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义输入层到输出层之间的网络部分
model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,)))
#为输出层添加softmax激活函数以实现多分类
model.add(Activation(softmax))
#打印模型结构
model.summary()

#在keras中将上述简单语句定义的模型编译为tensorflow或theano中的模型形式
#这里定义了损失函数为多分类对数损失,优化器为之前定义的SGD随机梯度下降优化器,评分标准为accuracy准确率
model.compile(loss=categorical_crossentropy,optimizer=OPTIMIZER,metrics=[accuracy])

#进行训练并将模型训练历程及模型参数细节保存在history中,这里类似sklearn的方式,定义了自变量和因变量,以及批训练的尺寸,迭代次数,是否打印训练过程,验证集比例
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)

#在测试集上对训练好的网络性能进行评估,返回第一项为损失函数,第二项为accuracy
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数和准确率
print(Test Score:,score[0])
print(Test accuracy:,score[1])

 

3.2 添加隐层的多层感知机

‘‘‘这个脚本以MNIST手写数字识别为例演示带有隐层的基础多层感知机模型在Keras中的应用‘‘‘

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils

np.random.seed(42)


‘‘‘网络结构参数预定义部分‘‘‘

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2
#设置隐层神经元个数
N_HIDDEN = 128

‘‘‘数据预处理部分‘‘‘

#因为keras中在线获取mnist数据集的方法在国内被ban,这里采用mnist.npz文件来从本地获取mnist数据
path = rD:\anaconda\Lib\site-packages\keras\datasets\mnist.npz

with np.load(path) as f:
    X_train, y_train = f[x_train], f[y_train]
    X_test, y_test = f[x_test], f[y_test]


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

X_train = X_train.reshape(60000, RESHAPED).astype(float32)
X_test = X_test.reshape(10000, RESHAPED).astype(float32)

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



‘‘‘网络结构搭建部分‘‘‘
#定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义网络中输入层与第一个隐层之间的部分
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation(relu))
#添加第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation(relu))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层添加softmax激活函数
model.add(Activation(softmax))
#打印网络结构
model.summary()


#编译模型
model.compile(loss=categorical_crossentropy,optimizer=OPTIMIZER,metrics=[accuracy])

#训练模型并保存训练过程细节信息
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)
#在测试集上评估模型
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数及accuracy
print(Test Score:,score[0])
print(Test accuracy:,score[1])

 

3.3 添加Dropout层的双隐层MLP

‘‘‘这个脚本以MNIST手写数字识别为例演示带有隐层的基础多层感知机模型在Keras中的应用‘‘‘

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense,Dropout,Activation
from keras.optimizers import SGD
from keras.utils import np_utils

np.random.seed(42)


‘‘‘网络结构参数预定义部分‘‘‘

#定义训练轮数
NB_EPOCH = 40
#定义批尺寸
BATCH_SIZE = 128
#定义是否打印训练过程
VERBOSE = 1
#定义网络输出层神经元个数
NB_CLASSES = 10
#定义优化器
OPTIMIZER = SGD()
#定义训练集中用作验证集的数据比例
VALIDATION_SPLIT = 0.2
#设置隐层神经元个数
N_HIDDEN = 128
#设置Dropout的比例
DROPOUT = 0.3

‘‘‘数据预处理部分‘‘‘

#因为keras中在线获取mnist数据集的方法在国内被ban,这里采用mnist.npz文件来从本地获取mnist数据
path = rD:\anaconda\Lib\site-packages\keras\datasets\mnist.npz

with np.load(path) as f:
    X_train, y_train = f[x_train], f[y_train]
    X_test, y_test = f[x_test], f[y_test]


#将格式为28X28的数据展开为1X784的结构以方便输入MLP中进行训练
RESHAPED = 784

X_train = X_train.reshape(60000, RESHAPED).astype(float32)
X_test = X_test.reshape(10000, RESHAPED).astype(float32)

#归一化
X_train /= 255
X_test /= 255

#将类别训练目标向量转换为二值类别矩阵
Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(y_test, NB_CLASSES)



‘‘‘网络结构搭建部分‘‘‘
##定义模型为keras中的序贯模型,即一层一层堆栈网络层,以线性的方式向后传播
model = Sequential()
#定义输入层与第一层隐层
model.add(Dense(N_HIDDEN, input_shape=(RESHAPED,)))
#为第一层隐层添加非线性激活函数
model.add(Activation(relu))
#为第一层隐层的输出部分添加Dropout功能,即随机把指定比例的值修改为0
model.add(Dropout(0.3))
#定义第二层隐层
model.add(Dense(N_HIDDEN))
#为第二层隐层添加非线性激活函数
model.add(Activation(relu))
#为第二层隐层添加Dropout功能
model.add(Dropout(0.3))
#定义输出层
model.add(Dense(NB_CLASSES))
#为输出层定义softmax激活函数
model.add(Activation(softmax))
#打印模型结构信息
model.summary()


#编译模型
model.compile(loss=categorical_crossentropy,optimizer=OPTIMIZER,metrics=[accuracy])

#训练模型并保存训练过程信息
history = model.fit(X_train ,Y_train, batch_size=BATCH_SIZE, epochs=NB_EPOCH,verbose=VERBOSE,
                    validation_split=VALIDATION_SPLIT)
#在测试集上评估模型
score = model.evaluate(X_test, Y_test, verbose=VERBOSE)

#打印损失函数与准确率
print(Test Score:,score[0])
print(Test accuracy:,score[1])

 

  以上就是本文的全部内容,如有笔误,望指出。

 

参考文献:Keras深度学习实战

 

(数据科学学习手札44)在Keras中训练多层感知机

标签:输入   第一个   pil   分类   drop   from   次数   迭代   nump   

原文地址:https://www.cnblogs.com/feffery/p/9384814.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!