用keras创建拟合网络解决回归问题Regression

实现了正弦曲线的拟合，即regression问题。

创建的模型单输入单输出，两个隐层分别为100、50个神经元。

在keras的官方文档中，给的例子多是关于分类的。因此在测试regression时，遇到了一些问题。总结来说，应注意以下几个方面：

1）训练数据需是矩阵型，这里的输入和输出是1000*1，即1000个样本；每个样本得到一个输出；

注意：训练数据的生成非常关键，首先需要检查输入数据和输出数据的维度匹配；

2）对数据进行规范化，这里用到的是零均值单位方差的规范方法。规范化方法对于各种训练模型很有讲究，具体参照另一篇笔记：http://blog.csdn.net/csmqq/article/details/51461696；

3）输出层的激活函数选择很重要，该拟合的输出有正负值，因此选择tanh比较合适；

4）regression问题中，训练函数compile中的误差函数通常选择mean_squared_error。

5）值得注意的是，在训练时，可以将测试数据的输入和输出绘制出来，这样可以帮助调试参数。

6）keras中实现回归问题，返回的准确率为0。

# -*- coding: utf-8 -*-
"""
Created on Mon May 16 13:34:30 2016
@author: Michelle
"""
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.layers.advanced_activations import LeakyReLU
from sklearn import preprocessing
from keras.utils.visualize_plots import figures
import matplotlib.pyplot as plt
import numpy as np    #part1: train data
#generate 100 numbers from -2pi to 2pi
x_train = np.linspace(-2*np.pi, 2*np.pi, 1000)  #array: [1000,]
x_train = np.array(x_train).reshape((len(x_train), 1)) #reshape to matrix with [100,1]
n=0.1*np.random.rand(len(x_train),1) #generate a matrix with size [len(x),1], value in (0,1),array: [1000,1]
y_train=np.sin(x_train)+n#训练数据集：零均值单位方差
x_train = preprocessing.scale(x_train)
scaler = preprocessing.StandardScaler().fit(x_train)
y_train = scaler.transform(y_train)#part2: test data
x_test = np.linspace(-5,5,2000)
x_test = np.array(x_test).reshape((len(x_test), 1))
y_test=np.sin(x_test)#零均值单位方差
x_test = scaler.transform(x_test)
#y_test = scaler.transform(y_test)
##plot testing data
#fig, ax = plt.subplots()
#ax.plot(x_test, y_test,'g')#prediction data
x_prd = np.linspace(-3,3,101)
x_prd = np.array(x_prd).reshape((len(x_prd), 1))
x_prd = scaler.transform(x_prd)
y_prd=np.sin(x_prd)
#plot testing data
fig, ax = plt.subplots()
ax.plot(x_prd, y_prd,'r')#part3: create models, with 1hidden layers
model = Sequential()
model.add(Dense(100, init='uniform', input_dim=1))
#model.add(Activation(LeakyReLU(alpha=0.01)))
model.add(Activation('relu'))model.add(Dense(50))
#model.add(Activation(LeakyReLU(alpha=0.1)))
model.add(Activation('relu'))model.add(Dense(1))
#model.add(Activation(LeakyReLU(alpha=0.01)))
model.add(Activation('tanh'))#sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer="rmsprop", metrics=["accuracy"])
#model.compile(loss='mean_squared_error', optimizer=sgd, metrics=["accuracy"])#model.fit(x_train, y_train, nb_epoch=64, batch_size=20, verbose=0)
hist = model.fit(x_test, y_test, batch_size=10, nb_epoch=100, shuffle=True,verbose=0,validation_split=0.2)
#print(hist.history)
score = model.evaluate(x_test, y_test, batch_size=10)out = model.predict(x_prd, batch_size=1)
#plot prediction dataax.plot(x_prd, out, 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()
figures(hist)

虚线是预测值，红色是输入值；

绘制误差值随着迭代次数的曲线函数是Visualize_plots.py，

1）将其放在C:\Anaconda2\Lib\site-packages\keras\utils下面。

2）在使用时，需要添加这句话：from keras.utils.visualize_plots import figures，然后在程序中直接调用函数figures(hist)。

垓函数的实现代码为：

# -*- coding: utf-8 -*-
"""
Created on Sat May 21 22:26:24 2016@author: Shemmy
"""def figures(history,figure_name="plots"):""" method to visualize accuracies and loss vs epoch for training as well as testind data\nArgumets: history     = an instance returned by model.fit method\nfigure_name = a string representing file name to plots. By default it is set to "plots" \nUsage: hist = model.fit(X,y)\n              figures(hist) """from keras.callbacks import Historyif isinstance(history,History):import matplotlib.pyplot as plthist     = history.history epoch    = history.epochacc      = hist['acc']loss     = hist['loss']val_loss = hist['val_loss']val_acc  = hist['val_acc']plt.figure(1)plt.subplot(221)plt.plot(epoch,acc)plt.title("Training accuracy vs Epoch")plt.xlabel("Epoch")plt.ylabel("Accuracy")     plt.subplot(222)plt.plot(epoch,loss)plt.title("Training loss vs Epoch")plt.xlabel("Epoch")plt.ylabel("Loss")  plt.subplot(223)plt.plot(epoch,val_acc)plt.title("Validation Acc vs Epoch")plt.xlabel("Epoch")plt.ylabel("Validation Accuracy")  plt.subplot(224)plt.plot(epoch,val_loss)plt.title("Validation loss vs Epoch")plt.xlabel("Epoch")plt.ylabel("Validation Loss")  plt.tight_layout()plt.savefig(figure_name)else:print "Input Argument is not an instance of class History"

讨论keras中实现拟合回归问题的帖子： https://github.com/fchollet/keras/issues/108

用keras创建拟合网络解决回归问题Regression相关推荐

Keras过拟合相关解决办法
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 这种过拟合的处理称为正则化.我们来学习一些最常用的正则化技术,并将其应用于实践中. ...
【机器学习】多项式回归案例五：正则惩罚解决过拟合（Ridge回归和Lasso回归）
正则惩罚解决过拟合(Ridge回归和Lasso回归) 案例五: 正则惩罚解决过拟合(Ridge回归和Lasso回归) 3.2.1 模块加载与数据读入 3.2.2 特征工程 3.2.3 模型搭建与应用 ...
收藏 | 用 Keras 实现神经网络来解决梯度消失的问题
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者 | Jonathan Quijas 编译 | rong ...
用 Keras 创建自己的图像标题生成器
总览了解图像字幕生成器如何使用编码器-解码器工作知道如何使用Keras创建自己的图像标题生成器介绍图像标题生成器是人工智能的热门研究领域,涉及图像理解和该图像的语言描述.生成格式正确的句子需要 ...
哪个才是解决回归问题的最佳算法？线性回归、神经网络还是随机森林？
编译 | AI科技大本营参与 | 王珂凝编辑 | 明明 [AI科技大本营导读]现在,不管想解决什么类型的机器学习(ML)问题,都会有各种不同的算法可以供你选择.尽管在一定程度上,一种算法并不能总 ...
Keras: 创建多个输入以及混合数据输入的神经网络模型
目录摘要正文 Keras: 创建多个输入以及混合数据输入的神经网络模型什么是混合数据? Keras如何接受多个输入? 房价数据集获取房价数据集项目结构加载数值和分类数据加载图像数据集定 ...
30分钟 Keras 创建一个图像分类器
深度学习是使用人工神经网络进行机器学习的一个子集,目前已经被证明在图像分类方面非常强大.尽管这些算法的内部工作在数学上是严格的,但 Python 库(比如 keras)使这些问题对我们所有人都可以接近 ...
python回归分析预测模型_在Python中如何使用Keras模型对分类、回归进行预测
姓名:代良全学号:13020199007 转载自:https://www.jianshu.com/p/83ba11abdffc [嵌牛导读]: 在Python中如何使用Keras模型对分类.回归进行 ...
如何解决回归任务数据不均衡的问题？
摘要:现有的处理不平衡数据/长尾分布的方法绝大多数都是针对分类问题,而回归问题中出现的数据不均衡问题确极少被研究. 本文分享自华为云社区<如何解决回归任务数据不均衡的问题?>,原文作者:P ...

用keras创建拟合网络解决回归问题Regression

用keras创建拟合网络解决回归问题Regression相关推荐

最新文章

热门文章