Cara menggunakan modul keras untuk pembelajaran mendalam dalam Python 2.x

Cara menggunakan modul Keras untuk pembelajaran mendalam dalam Python 2.x

Pembelajaran mendalam ialah cabang penting dalam bidang kecerdasan buatan Ia mensimulasikan prinsip kerja rangkaian saraf otak manusia dan menyelesaikan masalah yang kompleks melalui sejumlah besar data pembelajaran dan latihan. Keras ialah API rangkaian saraf peringkat tinggi yang menyediakan cara mudah tetapi berkuasa untuk menterjemah kod Python ke dalam graf pengiraan asas. Artikel ini menerangkan cara menggunakan modul Keras dalam Python 2.x untuk pembelajaran mendalam, dengan contoh kod.

1. Memasang Keras
   Sebelum bermula, anda perlu memasang modul Keras terlebih dahulu. Buka terminal dan masukkan arahan berikut:

pip install keras

Selepas pemasangan selesai, anda boleh memperkenalkan modul Keras untuk pembelajaran mendalam.

2. Membina model rangkaian saraf
   Sebelum menggunakan Keras untuk pembelajaran mendalam, anda perlu membina model rangkaian saraf terlebih dahulu. Keras menyediakan dua jenis model utama: Model Sequential dan Model Functional. Model Sequential menyusun berbilang lapisan rangkaian bersama-sama mengikut tertib, manakala model Fungsional boleh membina struktur rangkaian saraf yang lebih kompleks.

Mari kita lihat contoh penggunaan model Sequential:

from keras.models import Sequential
from keras.layers import Dense

# 创建 Sequential 模型
model = Sequential()

# 添加第一层输入层
model.add(Dense(units=64, activation='relu', input_dim=100))

# 添加第二层隐藏层
model.add(Dense(units=64, activation='relu'))

# 添加第三层输出层
model.add(Dense(units=10, activation='softmax'))

Dalam kod di atas, kami mula-mula mengimport kelas Sequential dan Dense. Kemudian buat objek model Sequential. Seterusnya, gunakan kaedah add untuk menambah lapisan input, lapisan tersembunyi dan lapisan output dalam urutan. Antaranya, kelas Dense mewakili lapisan yang disambungkan sepenuhnya, parameter units mewakili bilangan neuron dan parameter activation mewakili fungsi pengaktifan. . Akhir sekali, susun model melalui kaedah model.compile. add 方法依次添加输入层、隐藏层和输出层。其中，Dense 类表示全连接层，units 参数表示神经元个数，activation 参数表示激活函数。最后，通过 model.compile 方法来编译模型。

3. 编译模型
   在构建完神经网络模型后，我们需要使用 model.compile 方法对模型进行编译。编译过程中需要指定损失函数、优化器和评价指标等参数。

# 编译模型
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

在上述代码中，我们选择了交叉熵(categorical crossentropy)作为损失函数，随机梯度下降(SGD)作为优化器，准确率(accuracy)作为评价指标。当然，在实际应用中，你可以根据问题的类型和需求选择合适的参数。

4. 训练模型
   在编译好模型后，我们可以使用 model.fit 方法来训练模型。训练模型时需要输入训练数据和训练标签，并指定训练的轮数、批大小等参数。

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=32)

在上述代码中，train_data 和 train_labels 分别表示训练数据和训练标签。epochs 参数表示训练的轮数，batch_size 参数表示每一次迭代所使用的训练样本数。

5. 预测和评估
   在训练模型完成后，可以使用 model.predict 方法对新的数据进行预测。

# 预测
predictions = model.predict(test_data)

在上述代码中，test_data 表示待预测的数据。预测结果将保存在 predictions 变量中。

此外，我们还可以使用 model.evaluate 方法对模型进行评估。

# 评估模型
loss_and_metrics = model.evaluate(test_data, test_labels)

在上述代码中，test_data 和 test_labels 分别表示测试数据和测试标签。评估结果将保存在 loss_and_metrics

Kompilasi model

Selepas membina model rangkaian saraf, kita perlu menggunakan kaedah model.compile untuk menyusun model. Semasa proses penyusunan, parameter seperti fungsi kehilangan, pengoptimum, dan penunjuk penilaian perlu dinyatakan.


rrreee🎜Dalam kod di atas, kami memilih entropi silang (crossentropy kategori) sebagai fungsi kehilangan, keturunan kecerunan stokastik (SGD) sebagai pengoptimum, dan ketepatan sebagai indeks penilaian. Sudah tentu, dalam aplikasi praktikal, anda boleh memilih parameter yang sesuai mengikut jenis masalah dan keperluan. 🎜
🎜Melatih model🎜Selepas menyusun model, kita boleh menggunakan kaedah model.fit untuk melatih model. Apabila melatih model, anda perlu memasukkan data latihan dan label latihan, dan nyatakan parameter seperti bilangan pusingan latihan dan saiz kelompok. 🎜🎜rrreee🎜Dalam kod di atas, train_data dan train_labels masing-masing mewakili data latihan dan label latihan. Parameter epochs menunjukkan bilangan pusingan latihan dan parameter batch_size menunjukkan bilangan sampel latihan yang digunakan dalam setiap lelaran. 🎜
🎜Ramalan dan penilaian🎜Selepas melatih model, anda boleh menggunakan kaedah model.predict untuk meramal data baharu. 🎜🎜rrreee🎜Dalam kod di atas, test_data mewakili data yang akan diramalkan. Ramalan akan disimpan dalam pembolehubah ramalan. 🎜🎜Selain itu, kita juga boleh menggunakan kaedah model.evaluate untuk menilai model. 🎜rrreee🎜Dalam kod di atas, data_ujian dan label_ujian mewakili data ujian dan label ujian. Keputusan penilaian akan disimpan dalam pembolehubah loss_and_metrics. 🎜🎜Ringkasan🎜Artikel ini memperkenalkan cara menggunakan modul Keras untuk pembelajaran mendalam dalam Python 2.x. Ia mula-mula menunjukkan cara memasang modul Keras, dan kemudian menerangkan cara membina model rangkaian saraf, menyusun model, melatih model dan meramal serta menilai model. Saya harap artikel ini dapat membantu anda memulakan pembelajaran mendalam dan menerapkan serta mengembangkannya dalam aplikasi praktikal. 🎜

Atas ialah kandungan terperinci Cara menggunakan modul keras untuk pembelajaran mendalam dalam Python 2.x. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!