溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹“python中怎么使用Keras進行回歸運算”的相關知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“python中怎么使用Keras進行回歸運算”文章能幫助大家解決問題。
Keras是一個由Python編寫的開源人工神經網絡庫，可以作Tensorflow、Microsoft-CNTK和Theano的高階應用程序接口，進行深度學習模型的設計、調試、評估、應用和可視化。
Keras相當于比Tensorflow和Theano更高一層的庫，其可以以Tensorflow或者Theano為底層框架，以更加簡潔、高效的方式添加代碼。
在2018年Tensorflow 2.0.0公開后，Keras被正式確立為Tensorflow高階API。
Sequential又稱為序貫模型。
序貫模型為最簡單的線性、從頭到尾的結構順序，不分叉，是多個網絡層的線性堆疊。
在利用Keras進行模型構建前，只需要用如下函數建立模型就夠了。
model = Sequential()
此時便已經建立了一個按次序的模型，之后在往模型中添加層的時候，就是按照次序添加的。
Dense用于往Sequential中添加全連接層。全連接層示意圖如下。（圖片源自百度百科）
具體而言，簡單的BP神經網絡中，輸入層到隱含層中間的權值連接，其實與全連接層的意義相同。
在Keras中，如果需要往model中添加全連接層，可使用如下函數。
model.add(Dense(output_dim = 1,input_dim = 1))
此時表示輸入維度為1，輸出維度也為1。
model.compile在Keras中的作用主要用于定義loss函數和優化器。
其調用方式如下：
model.compile(loss='mse', optimizer='sgd', metrics=['accuracy'])
其中loss用于定義計算損失的損失函數，其可以選擇的內容如下：
1、mse：均方根誤差，常用于回歸預測。
2、categorical_crossentropy：亦稱作多類的對數損失，注意使用該目標函數時，需要將標簽轉化為形如(nb_samples, nb_classes)的二值序列，常用于分類。
3、sparse_categorical_crossentrop：如上，但接受稀疏標簽。
optimizer用于定義優化器，可以使用默認的，也可以從keras.optimizers導出。
其可以選擇的內容可以參照Keras中文文檔。上文中選擇的是隨機梯度下降法sgd。
metrics=[‘accuracy’]常用于分類運算中，本例子中不適用，accuracy代表計算分類精確度。
該例子為一元線性回歸例子。
import numpy as np
from keras.models import Sequential
from keras.layers import Dense ## 全連接層
import matplotlib.pyplot as plt
# 生成測試數據
X = np.linspace(-1,1,200)
np.random.shuffle(X)
Y = 0.5*X + 2 + np.random.normal(0,0.05,(200,))
# 劃分訓練集和測試集
X_train,Y_train = X[:160],Y[:160]
X_test,Y_test = X[160:],Y[160:]
# start
model = Sequential()
model.add(Dense(output_dim = 1,input_dim = 1))
# compile
model.compile(loss = 'mse',optimizer = 'sgd')
# 訓練
print("\ntraining")
for step in range(2001):
cost = model.train_on_batch(X_train,Y_train)
if step%100 == 0:
print("tarin_cost:",cost)
# 測試
print("\nTest")
cost = model.evaluate(X_test,Y_test,batch_size=40)
W,b = model.layers[0].get_weights()
print("Weights",W,"biaxes",b)
# 預測結果
Y = model.predict(X_test)
plt.scatter(X_test,Y_test)
plt.plot(X_test,Y)
plt.show()實現結果為：
tarin_cost: 4.506874 tarin_cost: 0.21098542 tarin_cost: 0.041809298 tarin_cost: 0.013134768 tarin_cost: 0.0055761375 tarin_cost: 0.0035068158 tarin_cost: 0.0029388934 tarin_cost: 0.002783 tarin_cost: 0.0027402083 tarin_cost: 0.002728462 tarin_cost: 0.0027252387 tarin_cost: 0.0027243525 tarin_cost: 0.0027241106 tarin_cost: 0.0027240426 tarin_cost: 0.002724025 tarin_cost: 0.0027240203 tarin_cost: 0.0027240184 tarin_cost: 0.0027240182 tarin_cost: 0.0027240175 tarin_cost: 0.0027240175 tarin_cost: 0.0027240175 Test 40/40 [==============================] - 0s 874us/step Weights [[0.5041559]] biaxes [1.9961643]
關于“python中怎么使用Keras進行回歸運算”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識，可以關注億速云行業資訊頻道，小編每天都會為大家更新不同的知識點。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
