DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)

DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)

 

 

 

目录

Keras框架使用分析

Keras框架设计思路

案例分析

代码实现

---

 

 

Keras框架使用分析

 

Keras框架设计思路

 

 

 

案例分析

1、实现分类预测：通过Keras建立模型，最终得到的模型能进行两种预测，一是判断出类别，二是给出属于相应类别概率。
(1)、在Keras中，可以利用predict_class()函数来完成，利用最终的模型预测新数据样本的类别。但是，这个函数仅适用于Sequential模型，不适于使用功能式API开发的模型。
对三个实例预测：

# 建立一个新的分类模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 新的未知数据实例 Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1) Xnew = scalar.transform(Xnew) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入和输出 for i in range(len(Xnew)): print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

对一个实例预测：需要将它包装变成一个数组的形式。以便传给predict_classes()函数

from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler from numpy import array # 生成一个二分类数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合最终的新模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=500, verbose=0) # 未知的新实例 Xnew = array([[0.89337759, 0.65864154]]) # 作出预测 ynew = model.predict_classes(Xnew) # 显示输入输出 print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

 

 

代码实现

1、基于Keras设计的简单二分类问题开发的神经网络模型案例

# 训练一个最终分类的模型 from keras.models import Sequential from keras.layers import Dense from sklearn.datasets.samples_generator import make_blobs from sklearn.preprocessing import MinMaxScaler # 生成一个二分类问题的数据集 X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1) scalar = MinMaxScaler() scalar.fit(X) X = scalar.transform(X) # 定义并拟合模型 model = Sequential() model.add(Dense(4, input_dim=2, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam') model.fit(X, y, epochs=200, verbose=0)

 

 

 

总结

以上是生活随笔为你收集整理的DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。