打卡2：python_keras_model

川长思鸟来 2023-01-13 11:59 166阅读 0赞

笔记摘自 http://www.uml.org.cn/ai/202011042.asp

**数据格式(data\_format)**

目前主要有两种方式来表示张量：

a) th模式或channels\_first模式，Theano和caffe使用此模式。

b）tf模式或channels\_last模式，TensorFlow使用此模式。

下面举例说明两种模式的区别：

对于100张RGB3通道的16×32（高为16宽为32）彩色图，

th表示方式：（100,3,16,32）

tf表示方式：（100,16,32,3）

唯一的区别就是表示通道个数3的位置不一样。

# http://www.uml.org.cn/ai/202011042.asp
    
    from keras.models import Sequential
    from keras.layers.core import Dense,Dropout,Activation
    from keras.datasets import mnist
    import numpy
    
    # 1. 选择模型
    model = Sequential() 
    
    
    # 2. 构建网络
    model.add(Dense(500,input_shape=(784,)))   # 输入层， 28*28=784
    model.add(Activation('tanh'))  # 激活函数是 tanh
    model.add(Dropout(0.5))  # 采用50%的dropout
    
    model.add(Dense(500)) # 隐藏层节点500个
    model.add(Activation('tanh')) 
    model.add(Dropout(0.5))
    
    model.add(Dense(10)) # 输出结果是10个类别，所以维度是10
    model.add(Activation('softmax')) # 最后一层用softmax作为激活函数
    
    
    # 3. 编译
    sgd = SGD(lr=0.01,decay=le-6,momentum=0.9,nesterov=True) # 优化函数，设定学习率(lr)等参数
    model.compile(loss='categorical_crossentropy',optimizer=sgd,class_mode='categorical')# 使用交叉熵作为loss函数
    
    
    # 4. 训练
    ''' .fit的一些参数 batch_size: 对总的样本数进行分组，每组包含的样本数量 epochs: 训练次数 shuffle:是否把数据随机打乱之后再进行训练 validation_split: 拿出百分之多少用来做交叉验证 verbose: 屏显模式 0:不输出 1:输出进度 2:输出每次的训练结果 '''
    
    (X_train,y_train),(X_train,y_test) = mnist.load_data() # 使用keras自带的mnist工具读取数据(第一次需要联网)
    # 由于mnist的输入数据维度是（num,28,28），这里需要把后面的维度直接拼起来变成784维
    X_train = X_train.reshape(X_train.shape[0],X_train.shape[1] * X_train.shape[2])
    X_test = X_test.reshape(X_test.shape[0],X_test.shape[1] * X_test.shape[2])
    Y_train = (numpy.arange(10) == y_train[:,None].astype(int))
    Y_test = (numpy.arange(10) == y_test[:,None].astype(int))
    
    # 5. 输出
    print("test set")
    scores = model.evaluate(X_test,Y_test,batch_size=200,verbose=0)
    print("")
    print("The test loss is %f" % scores)
    result = model.predict(X_test,batch_size=200,verbose=0)
    
    result_max = numpy.argmax(result,axis=1)
    test_max = numpy.argmax(Y_test,axis=1)
    
    result_bool = numpy.equal(result_max,test_max)
    true_num = numpy.sum(result_bool)
    
    print("")
    print("The accuracy of the model is %f" % (true_num/len(result_bool)))