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)——daidingdaidingdaiding
2019-08-05 08:58
1271 查看
版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_41185868/article/details/98477747
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)——daidingdaiding
Keras框架使用分析
Keras框架设计思路
案例分析
1、实现分类预测:通过Keras建立模型,最终得到的模型能进行两种预测,一是判断出类别,二是给出属于相应类别概率。
(1)、在Keras中,可以利用predict_class()函数来完成,利用最终的模型预测新数据样本的类别。但是,这个函数仅适用于Sequential模型,不适于使用功能式API开发的模型。
对三个实例预测:
[code]# 建立一个新的分类模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终模型 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) # 新的未知数据实例 Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1) Xnew = scalar.transform(Xnew) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入和输出 for i in range(len(Xnew)): print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
对一个实例预测:需要将它包装变成一个数组的形式。以便传给predict_classes()函数
[code]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 # 生成一个二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终的新模型 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) # 未知的新实例 Xnew = array([[0.89337759, 0.65864154]]) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入输出 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
代码实现
1、基于Keras设计的简单二分类问题开发的神经网络模型案例
[code]# 训练一个最终分类的模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成一个二分类问题的数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合模型 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)
相关文章推荐
- Keras:基于python库之Keras建立模型算法来实现【预测】功能的详细攻略(经典,建议收藏)
- DL之SSD:SSD算法的相关论文、设计思路、关键步骤、实现代码等配图集合之详细攻略
- DL之Yolo系列:深度学习实现目标检测之Yolo系列的论文简介、概念理解、思路配图等详细攻略
- 基于redis实现的点赞功能设计思路详解
- 应用框架的设计与实现——.NET平台(4.3 SAF代码分析)
- socket库C++模型设计和实现--企业信息系统框架集成第三方产品案例
- JavaScript实现“打地鼠”游戏开发(2)——超详细游戏主体功能代码实现(基于H5+CSS3+JS+jQuery实现)
- 基于事件驱动的领域模型实现框架 - 分析框架如何解决各种典型业务逻辑场景
- 设置模块功能设计思路及代码实现
- 深度学习之六,基于RNN(GRU,LSTM)的语言模型分析与theano代码实现
- 基于角色-功能-资源的权限控制模型的设计与实现-引子
- 基于角色-功能-资源的权限控制模型的设计与实现-引子
- 基于nodejs express框架设计的 相册上传和查看 以及代码分析
- 基于角色-功能-资源的权限控制模型的设计与实现-引子
- 应用框架的设计与实现——.NET平台(9 消息队列服务代码分析)
- ML之Clustering之普聚类算法:普聚类算法的相关论文、主要思路、关键步骤、代码实现等相关配图之详细攻略
- 优雅设计封装基于Okhttp3的网络框架(二):多线程下载功能原理设计 及 简单实现
- JAVA实现简单系统登陆注册模块的设计(附详细代码分析)
- 基于SSM框架设计实现分页功能
- java web图书商城系统的需求分析及详细设计与代码实现