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 ...

AI-040: Python深度学习3 - 三个Karas实例-2

AI-040: Python深度学习3 - 三个Karas实例-2相关推荐

最新文章

热门文章