在Keras中建立神经网络

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在Keras中建立神经网络
神经网络是一系列算法，旨在通过类似于人脑功能的过程来识别一组数据中的潜在关系。
Keras是一个用Python编写的开源库，用于推进和评估深度学习模型。 它使您可以用几行代码来定义和训练神经网络模型。在这篇文章中，我们将学习如何建立 一个 使用Keras神经网络。
在本文中，我们将学习如何使用Keras构建神经网络。
怎么做？
安装Keras：
要使用Keras构建神经网络，我们必须首先安装它。它提供了实用工具，使建立的复杂的过程， 一个 更容易的神经网络。
Tensorflow和Keras 在Ubuntu中使用以下命令实现：
$ pip install --no-cache-dir tensorflow-gpu == 1.7
最好安装与GPU兼容的版本，因为当神经网络在GPU上运行时，它们的工作速度会大大提高。因为Keras是用Python编写的高级神经网络API，所以它能够在TensorFLow，CNTK或Theano之上运行。进行此操作的想法是实现快速实验，可以按以下方式安装：
$ pip安装keras
在Keras建立我们的第一个模型
代码文件在GitHub中可作为 -Neural_networks_multiple_layers.ipynb获得。
表示可以依次调用以在其顶部添加其他层的模型。顺序方法使我们能够执行模型初始化练习。
           从keras.models导入顺序
           模型= Sequential（）
向模型添加一个密集层，因为它可以确保模型中各个层之间的连接。我们将输入层连接到隐藏层的方法如下：
          model.add（密集（3，激活='relu'，input_shape =（1，）））
在使用前面的代码初始化的密集层中，确保了模型的输入形状。此外，将对每个输入（隐藏层中的三个单元）建立三个连接，并且在隐藏层中需要执行的激活是ReLu激活。
将隐藏层连接到输出层。
          model.add（Dense（1，activation ='linear'））
在这个密集层中，我们不需要指定输入形状，因为模型已经可以从上一层推断出输入形状。同样，假设每个输出都是一维的，则我们的输出层具有一个单位，而我们执行的激活是线性激活。
          model.summary（）
模型摘要可以如下所示：
前面的输出确认从输入层到隐藏层的连接中总共有六个参数-三个权重和三个偏置项-我们有很多六个参数对应于三个隐藏单元。另外，三个权重和一个偏置项将隐藏层连接到输出层。
现在，我们将编译模型。这确保我们定义了损失函数和优化器，以减少损失函数和与优化器相对应的学习率。
          从keras.optimizers导入sgd
          sgd = sgd（LR = 0.01）
在前面的步骤中，很明显，优化器是随机梯度下降的，学习率为0.01。将预定义的优化器及其相应的学习率作为参数传递，并减小均方误差值：
          model.compile（optimizer = sgd，loss ='mean_squared_error'）
通过更新权重来拟合模型，以便更好地拟合。
          model.fit（np.array（x），np.array（y），epochs = 1，batch_size = 4，详细= 1）
fit方法期望它接收两个NumPy数组：一个输入数组和相应的输出数组。请注意，历元表示遍历整个数据集的次数，batch_size表示在更新权重的迭代中需要考虑的数据点的数量。此外，详细指定输出更为详细，其中包含有关训练和测试数据集损失以及模型训练过程进度的信息。
提取重量值。权重值的显示顺序是通过调用模型顶部的weights方法获得的，如下所示：
          模型权重
获得权重的顺序如下：
从前面的输出中，我们看到权重的顺序是density_1层（这是隐藏层的输入之间的连接）中的三个权重（内核）和三个偏置项，以及三个权重（内核）和一个偏置将隐藏层连接到density_2层（输出层）的术语。
现在我们了解了权重值的显示顺序，让我们提取这些权重的值：
model.get_weights（）
请注意，权重以数组列表的形式显示，其中每个数组对应于model.weights输出中指定的值。
以上代码行的输出如下：
您应该注意到，此处观察的输出与我们手动构建神经网络时获得的输出匹配
使用predict方法预测一组新输入的输出：
          x1 = [[5]，[6]]
          model.predict（np.array（x1））
请注意，x1是保存新示例集的值的变量，我们需要为其预测输出值。与fit方法类似，predict方法也希望将数组作为其输入。
前面代码的输出如下：
请注意，尽管前面的输出不正确，但运行100个纪元时的输出如下：
当我们运行更大的时期时，前面的输出将与预期的输出（10、12）匹配。
在上面的文章中，我们总结了如何在Keras的帮助下构建神经网络，并在参考文献的步骤中进行了说明。这是摘自“使用Keras编写的神经网络食谱”的片段，该片段涉及Keras中的CNN，RNN和LSTM等神经网络体系结构。它还可以帮助您发现设计强大的神经网络以解决实际问题的技巧。如果您对此感兴趣，并且希望从头开始学习有关多个高级神经网络的更多信息，那么本书可能是适合您的一本书。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：神经网络 RAS Era 神经网 Sequential