1.keras训练神经网络的一般步骤
- 导入数据，做数据处理，使数据符合模型要求
- 定义网络结构
- 定义损失函数、优化器、监控指标
- 训练模型
- 图形化
2.使用MNIST数据集的一个例子
from keras.datasets import mnist from keras import models from keras import layers from keras.utils import to_categorical import matplotlib.pyplot as plt #导入数据 (train_x,train_y),(test_x,test_y) = mnist.load_data() #每个神经元表示一个像素，所以把3维数据转换成2维数据 train_x = train_x.reshape(60000,28*28) train_x = train_x.astype('float32') /255 test_x = test_x.reshape(10000,28*28) test_x = test_x.astype('float32') /255 #把数据中类别用向量表示，以便使用交叉熵,6---->[0,0,0,0,0,0,1,0,0,0] train_y = to_categorical(train_y) test_y = to_categorical(test_y) #定义网络结构 network = models.Sequential()
#Dense表示全连接 network.add(layers.Dense(512,activation="relu",input_shape=(28*28,))) network.add(layers.Dense(10,activation="softmax")) #定义损失函数、优化器、监控指标 network.compile(optimizer="rmsprop",loss="categorical_crossentropy",metrics=['accuracy']) #训练模型 history = network.fit(train_x,train_y,batch_size=128,epochs=11,validation_data=(test_x,test_y)) history_dict = history.history loss = history_dict['loss'] val_loss = history_dict['val_loss'] acc = history_dict['acc'] val_acc = history_dict['val_acc'] epochs = range(1,11) #loss的图 plt.subplot(121) plt.plot(epochs,loss,'g',label = 'Training loss') plt.plot(epochs,val_loss,'b',label = 'Validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') #显示图例 plt.legend() plt.subplot(122) plt.plot(epochs,acc,'g',label = 'Training accuracy') plt.plot(epochs,val_acc,'b',label = 'Validation accuracy') plt.xlabel('Epochs') plt.ylabel('accuracy') plt.legend() plt.show()
结果图如下
可以发现随着轮数的提升，训练集的损失在不断减少，验证集的损失在轮数为5左右达到了最小；同理随着轮数提升，训练集的精度在不断提升，验证集的精度在轮数为5左右达到最大；提示我们有可能发生了过拟合，可以把轮数改为5
