该代码实现了通过神经网络来计算两个三位数的相加

先生成一堆训练数据，打印一下

print(questions[:10])
print(expected[:10])

结果为：

[' 31+991', ' 46+154', '    0+2', '    9+9', '    1+7', '  827+2', '  97+09', '    0+8', '    5+3', '  5+239']
['212 ', '515 ', '2   ', '18  ', '8   ', '730 ', '169 ', '8   ', '8   ', '937 ']

编码的时候，questions是前面加空格，后面是真实的计算字符串，也就是右对齐

expected是后面加空格，也就是说expected字符串是左对齐

然后进行编码，参考下面的questions编码方式

 31+991
[[ True False False False False False False False False False False False][False False False False False  True False False False False False False][False False False  True False False False False False False False False][False  True False False False False False False False False False False][False False False False False False False False False False False  True][False False False False False False False False False False False  True][False False False  True False False False False False False False False]]46+154
[[ True False False False False False False False False False False False][False False False False False False  True False False False False False][False False False False False False False False  True False False False][False  True False False False False False False False False False False][False False False  True False False False False False False False False][False False False False False False False  True False False False False][False False False False False False  True False False False False False]]0+2
[[ True False False False False False False False False False False False][ True False False False False False False False False False False False][ True False False False False False False False False False False False][ True False False False False False False False False False False False][False False  True False False False False False False False False False][False  True False False False False False False False False False False][False False False False  True False False False False False False False]]

上面的一行，分别对应[空格, +, 0,1,2,3,4,5,6,7,8,9]，所以字符串进行了类似的one-hot编码

expected也是一样：

212
[[False False False False  True False False False False False False False][False False False  True False False False False False False False False][False False False False  True False False False False False False False][ True False False False False False False False False False False False]]
515
[[False False False False False False False  True False False False False][False False False  True False False False False False False False False][False False False False False False False  True False False False False][ True False False False False False False False False False False False]]
2
[[False False False False  True False False False False False False False][ True False False False False False False False False False False False][ True False False False False False False False False False False False][ True False False False False False False False False False False False]]

因为expected中没有加号，所以第二列永远为False

x_train.shape和y_train.shape分别为(45000, 7, 12) (45000, 4, 12)

神经网络模型为：

__________________________________________________________________________________________
Layer (type)                            Output Shape                        Param #
==========================================================================================
lstm_1 (LSTM)                           (None, 128)                         72192
__________________________________________________________________________________________
repeat_vector_1 (RepeatVector)          (None, 4, 128)                      0
__________________________________________________________________________________________
lstm_2 (LSTM)                           (None, 4, 128)                      131584
__________________________________________________________________________________________
time_distributed_1 (TimeDistributed)    (None, 4, 12)                       1548
==========================================================================================
Total params: 205,324
Trainable params: 205,324
Non-trainable params: 0
__________________________________________________________________________________________

上面可以看到，两个LSTM的输出shape不一样，一个是(None, 128)，另一个是(None, 4, 128)，这是因为第一个RNN的return_sequences为False，而第一个RNN的return_sequences为True

代码解释参考官方教程：

https://keras.io/zh/examples/addition_rnn/

——————————————————————

总目录

keras的example文件解析

keras 的 example 文件 addition_rnn.py 解析相关推荐

keras 的 example 文件 cnn_seq2seq.py 解析
该代码是实现一个翻译功能,好像是英语翻译为法语,嗯,我看不懂法语首先这个代码有一个bug,本人提交了一个pull request来修复, https://github.com/keras-team/ ...
keras 的 example 文件 cifar10_resnet.py 解析
该代码功能是卷积神经网络进行图像识别,数据集是cifar10 同时演示了回调函数 ModelCheckpoint, LearningRateScheduler, ReduceLROnPlateau 的 ...
keras 的 example 文件 babi_rnn.py 解析
该代码的目的和 https://blog.csdn.net/zhqh100/article/details/105193991 类似数据集也是同一个数据集,只不过这个是从 qa2_two-suppo ...
keras 的 example 文件 mnist_hierarchical_rnn.py 解析
很显然,我没有看懂 HRNN 是啥意思,没有去看论文,应该就是一种RNN结构的变形吧网络结构如下: _________________________________________________ ...
keras 的 example 文件 mnist_denoising_autoencoder.py 解析
mnist_denoising_autoencoder.py 是一个编解码神经网络,其意义就是如果图片中有噪点的话,可以去除噪点,还原图片其编码网络为: ______________________ ...
keras 的 example 文件 mnist_cnn.py 解析
mnist_cnn.py 基本上就是最简单的一个卷积神经网络了,其结构如下: _____________________________________________________________ ...
keras 的 example 文件 imdb_bidirectional_lstm.py 解析
imdb是一个文本情感分析的数据集,通过评论来分析观众对电影是好评还是差评其网络结构比较简单 ____________________________________________________ ...
keras 的 example 文件 lstm_text_generation.py 解析
该程序是学习现有的文章,然后学习预测下个字符,这样一个字符一个字符的学会写文章先打印下char_indices {'\n': 0, ' ': 1, '!': 2, '"': 3, &quo ...
keras 的 example 文件 lstm_stateful.py 解析
该程序要通过一个LSTM来实现拟合窗口平均数的功能先看输入输出数据, print(x_train[:10]) [[[-0.08453234]][[ 0.02169589]][[ 0.07949955 ...

keras 的 example 文件 addition_rnn.py 解析

keras的example文件解析

keras 的 example 文件 addition_rnn.py 解析相关推荐

最新文章

热门文章