AI-040: Python深度学习3 - 三个Karas实例-2
实例2:
通过路透社数据集来将文本区分46个不同主题
这里与上一个实例不同的地方:这是个多元分类问题,因此最终输出是46维向量
加载数据
from keras.datasets import reuters
(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)
预处理数据:
将样本映射到单词词典,转化为相同长度的向量
import numpy as npdef vectorize_sequences(sequences, dimension=10000):results = np.zeros((len(sequences), dimension))for i, sequence in enumerate(sequences):results[i, sequence] = 1.return results# Our vectorized training data
x_train = vectorize_sequences(train_data)
# Our vectorized test data
x_test = vectorize_sequences(test_data)
将标签转换为one-hot编码,就是这样的向量[0,0,0,1,0,0,...],这个例子表示样本属于第四类主题。
def to_one_hot(labels, dimension=46):results = np.zeros((len(labels), dimension))for i, label in enumerate(labels):results[i, label] = 1.return results# Our vectorized training labels
one_hot_train_labels = to_one_hot(train_labels)
# Our vectorized test labels
one_hot_test_labels = to_one_hot(test_labels)
构建网络:
这里因为输出是46维,为了防止信息瓶颈,每层的元素要多一些,这里先选取为64
输出层的激活函数选取softmax,这样可以求取每个取值的概率,这里一共46个概率且和为1。
from keras import models
from keras import layersmodel = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))
设置模型的损失函数、优化器、评估标准
由于是多元分类,这里选取分类交叉熵作为损失函数,他将网络输出的概率分布与目标的真实分布之间的距离最小化。
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
训练模型
x_val = x_train[:1000]
partial_x_train = x_train[1000:]y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]history = model.fit(partial_x_train,partial_y_train,# epochs=15,epochs=20, # 从绘制的图形分析出,8轮次后出现过耦合现象,可以停止batch_size=512,validation_data=(x_val, y_val))
可以通过绘制损失和经度在训练集、校验集上的图形来调整超参数:
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()plt.show()plt.clf() # clear figureacc = history.history['acc']
val_acc = history.history['val_acc']plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()plt.show()
通过图形可以看到在训练到第八轮时达到最优,再训练就过耦合了。可以调整轮次为9。
预测数据:
概率最大的就是最有可能的分类
predictions = model.predict(x_test)
print(predictions[1].shape)
print(np.sum(predictions[1]))
print(predictions[1])
print(np.argmax(predictions[1]))
第二个测试样本属于第十一类主题(0是第一类),可能性达到95%
AI-040: Python深度学习3 - 三个Karas实例-2相关推荐
- AI-039: Python深度学习3 - 三个Karas实例-1
实例:通过imdb的评价数据来分析电影的好坏. 套路: 1. 预处理数据 2. 建立网络模型(层数.每层节点数.激活函数) 3. 选取损失函数.优化器,训练轮次及批量大小 4. 使用训练集训练模型 5 ...
- AI-041: Python深度学习3 - 三个Karas实例-3
实例3: 通过波士顿的房屋数据预测房价 这是一个回归问题,因为最终输出的房价是一个连续值. 加载数据: from keras.datasets import boston_housing(train_ ...
- [学习笔记] python深度学习---第三章 神经网络入门
一.神经网络剖析 1. 训练神经网络主要围绕以下四个方面: (1) 层,多个层组合成网络(或模型). (2)输入数据和相应的目标. (3)损失函数,即用于学习的反馈信号. (4)优化器,决定学习过程如 ...
- 3天入门python深度学习第三天卷积神经网络讲解
大纲
- Python深度学习篇
Python深度学习篇一<什么是深度学习> Excerpt 在过去的几年里,人工智能(AI)一直是媒体大肆炒作的热点话题.机器学习.深度学习 和人工智能都出现在不计其数的文章中,而这些文章 ...
- 【AI】人工智能深度学习入门路线
人工智能入门路线 人工智能入门路线 学习路线 0. Python 1. 机器学习 2. 深度学习 3. Pytroch 4. 计算机视觉 5. 自然语言处理 6. 图书 会议论坛 CV顶会 NLP顶会 ...
- python深度学习include框架_《用Python实现深度学习框架》上市
朋友们,<用Python实现深度学习框架>已经由人民邮电出版社出版上市了.在这本书中,我们带领读者仅用Python+Numpy实现一个基于计算图的深度学习框架MatrixSlow.本书讲解 ...
- python深度学习include框架_搞事情。《用Python实现深度学习框架》已出版上架。...
我和 @张觉非 合作的<用Python实现深度学习框架>一书已经由人民邮电出版社出版上市了.写作本书的缘由,是2017年11月我加入了360,开始负责以机器学习平台为中心的AI技术设施的研 ...
- Python深度学习-快速指南
Python深度学习-快速指南 (Python Deep Learning - Quick Guide) Python深度学习-简介 (Python Deep Learning - Introduct ...
最新文章
- TCP/IP总结(4)TCP 之3次握手
- java获取hdfs总大小_如何获取出HDFS已用空间/总空间的值。java FileSystem中有相关的方法吗???...
- 太强了!Scikit-learn 0.22新版本发布,新功能更加方便
- Linux shell命令最常用的快捷键
- 初识-Android之智能短信项目相关技术整理
- myeclipse 注册码生成代码(6.5----9.0均可使用)
- 信息学奥赛一本通 1158:求1+2+3+...
- 强力推荐几种多媒体播放器方案(jQuery、Flash、HTML5)
- [唐诗]诗(选二首)-王梵志
- 目录 1. 常见mime类型	1 1.1. 2.1.1. Type application	2 2.1.2. Type audio 22.1.3. Type image 32.1.4. Type t
- 黑马程序员之《String Buffer,包装类》
- 模拟时钟c语言编码,C语言模拟时钟转动程序
- 软件项目估算永远不准怎么办?钱少时间紧未必是坏事
- SQL 校验身份证格式
- EBS R12: 通过FND_PRODUCT_INSTALLATIONS中字段STATUS确认安装使用了哪些产品(或模块)
- 微信 版本android 7.0,安卓微信7.0新版对比旧版详细体验
- day21-学习总结
- 网络诈骗侦查公司41st Parameter获1300万美元投资 Kleiner Perkins参投
- 在线博客系统——评论列表
- 游戏运营 ---没用
热门文章
- 前后端分离:vue项目部署服务器操作步骤详细
- 无法打开源文件 ctype.h和.exe 进行写入
- 思科交换机使用TFTP工具备份配置和上传配置
- Dell戴尔笔记本电脑灵越Inspiron 5580原装出厂Windows10系统恢复原厂oem系统
- python不同时间周期k线_python均线周期转换(日线-周线)
- 航天二院计算机硕士待遇怎么样,航天二院706所
- 如何理解statsmodels.ols的输出结果?ols计算的线性回归结果以及手动计算的结果的对比
- docker-compose(二):SpringBoot + Docker Compose
- 实例【GPA计算器】的制作过程之MFC初体验收获
- 数据库like和rlike区别