神經網路基礎及Keras入門
阿新 • • 發佈：2018-11-25
神經網路定義
人工神經網路，簡稱神經網路，在機器學習和認知科學領域，是一種模仿生物神經網路（動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模型，用於對函式進行估計或近似。
為了描述神經網路，我們先從最簡單的神經網路講起，這個神經網路僅由一個“神經元”構成，以下即是這個“神經元”的圖示：
可以看出，這個單一“神經元”的輸入－輸出對映關係其實就是一個邏輯迴歸（logistic regression）。
神經網路模型
所謂神經網路就是將許多個單一“神經元”聯結在一起，這樣，一個“神經元”的輸出就可以是另一個“神經元”的輸入。例如，下圖就是一個簡單的神經網路：
Keras實戰
使用keras實現如下網路結構, 並訓練模型:
輸入值(x1,x2,x3)代表人的身高體重和年齡, 輸出值(y1,y2)
importnumpyasnp # 總人數是1000, 一半是男生 n =1000 # 所有的身體指標資料都是標準化資料, 平均值0, 標準差1 tizhong = np.random.normal(size = n) shengao = np.random.normal(size=n) nianling = np.random.normal(size=n) # 性別資料, 前500名學生是男生, 用數字1表示 gender = np.zeros(n) gender[:500] =1 # 男生的體重比較重,所以讓男生的體重+1 tizhong[:500] +=1 # 男生的身高比較高, 所以讓男生的升高 + 1 shengao[:500] +=1 # 男生的年齡偏小, 所以讓男生年齡降低 1 nianling[:500] -=1
建立模型
fromkerasimportSequential fromkeras.layersimportDense, Activation model = Sequential() # 只有一個神經元, 三個輸入數值 model.add(Dense(4, input_dim=3, kernel_initializer='random_normal', name="Dense1")) # 啟用函式使用softmax model.add(Activation('relu', name="hidden")) # 新增輸出層 model.add(Dense(2, input_dim=4, kernel_initializer='random_normal', name="Dense2")) # 啟用函式使用softmax model.add(Activation('softmax', name="output"))
編譯模型
需要指定優化器和損失函式:
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])訓練模型
# 轉換成one-hot格式
fromkerasimportutils
gender_one_hot = utils.to_categorical(gender, num_classes=2)
# 身體指標都放入一個矩陣data
data = np.array([tizhong, shengao, nianling]).T
# 訓練模型
model.fit(data, gender_one_hot, epochs=10, batch_size=8)輸出(stream):
Epoch1/10
1000/1000[==============================] -0s235us/step - loss:0.6743- acc:0.7180
Epoch2/10
1000/1000[==============================] -0s86us/step - loss:0.6162- acc:0.7310
Epoch3/10
1000/1000[==============================] -0s88us/step - loss:0.5592- acc:0.7570
Epoch4/10
1000/1000[==============================] -0s87us/step - loss:0.5162- acc:0.7680
Epoch5/10
1000/1000[==============================] -0s89us/step - loss:0.4867- acc:0.7770
Epoch6/10
1000/1000[==============================] -0s88us/step - loss:0.4663- acc:0.7830
Epoch7/10
1000/1000[==============================] -0s87us/step - loss:0.4539- acc:0.7890
Epoch8/10
1000/1000[==============================] -0s86us/step - loss:0.4469- acc:0.7920
Epoch9/10
1000/1000[==============================] -0s88us/step - loss:0.4431- acc:0.7940
Epoch10/10
1000/1000[==============================] -0s88us/step - loss:0.4407- acc:0.7900
輸出(plain)://Python學習開發705673780進行預測
test_data = np.array([[0,0,0]])
probability = model.predict(test_data)
ifprobability[0,0]>0.5:
print('女生')
else:
print('男生')
###
輸出(stream):
女生關鍵詞解釋
input_dim: 輸入的維度數
kernel_initializer: 數值初始化方法, 通常是正太分佈
batch_size: 一次訓練中, 樣本資料被分割成多個小份, 每一小份包含的樣本數叫做batch_size
epochs: 如果說將所有資料訓練一次叫做一輪的話。epochs決定了總共進行幾輪訓練。
optimizer: 優化器, 可以理解為求梯度的方法
loss: 損失函式, 可以理解為用於衡量估計值和觀察值之間的差距, 差距越小, loss越小
metrics: 類似loss, 只是metrics不參與梯度計算, 只是一個衡量演算法準確性的指標, 分類模型就用accuracy
看完覺得有所收穫的朋友可以點贊加關注哦，謝謝支援！