案例解析-使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別

1.1

機(jī)學(xué)習(xí)概覽歡迎進(jìn)入《數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)》課程學(xué)習(xí)第4單元機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)TensorFlow深度學(xué)習(xí)庫(kù)TensorFlow深度學(xué)習(xí)庫(kù)綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例背景】

Keras是一個(gè)用于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型的高階API。它可用于快速設(shè)計(jì)原型、高級(jí)研究和生產(chǎn)。keras的3個(gè)優(yōu)點(diǎn)：方便用戶使用、模塊化和可組合、易于擴(kuò)展綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例描述】使用TFKeras構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)簡(jiǎn)單線性回歸。綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)1導(dǎo)入數(shù)據(jù)包其操作步驟如下。（1） 導(dǎo)入numpy（2） 導(dǎo)入Matplotlib庫(kù)的pyplot函數(shù)包（3） 導(dǎo)入keras.models庫(kù)的Sequential函數(shù)包（4） 導(dǎo)入keras.layers庫(kù)的Dense包importmatplotlib.pyplotaspltfromkeras.modelsimportSequentialfromkeras.layersimportDense綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)2構(gòu)建數(shù)據(jù)集其操作步驟如下。（1）創(chuàng)建數(shù)據(jù)（2）數(shù)據(jù)隨機(jī)化（3）創(chuàng)建數(shù)據(jù)及參數(shù),并加入噪聲（4）分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)X=np.linspace(-1,1,200)np.random.shuffle(X)Y=0.5*X+2+np.random.normal(0,0.05,(200,))X_train,Y_train=X[:160],Y[:160]X_test,Y_test=X[160:],Y[160:]綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)3使用keras創(chuàng)建神經(jīng)網(wǎng)絡(luò)其操作步驟如下。（1）定義Sequential模型，Sequential是層層堆疊的神經(jīng)網(wǎng)絡(luò)（2）加載Dense全連接層model=Sequential()#定義第一層,由于是回歸模型,因此只有一層model.add(Dense(units=1,input_dim=1))綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)4編譯模型其操作步驟如下。（1） 采用均方差損失函數(shù)（2） 采用隨機(jī)梯度下降法優(yōu)化參數(shù)pile(loss='mse',optimizer='sgd')綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)5訓(xùn)練模型其操作步驟如下。forstepinrange(501):#進(jìn)行訓(xùn)練,返回?fù)p失(代價(jià))函數(shù)

cost=model.train_on_batch(X_train,Y_train)ifstep%100==0:print('loss:',cost)綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)6評(píng)估其操作步驟如下。print('----Testing----')#訓(xùn)練結(jié)束進(jìn)行測(cè)試cost=model.evaluate(X_test,Y_test,batch_size=40)print('testloss:',cost)

#獲取參數(shù)W,b=model.layers[0].get_weights()print('Weights:',W)print('Biases:',b)綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)7預(yù)測(cè)其操作步驟如下。Y_pred=model.predict(X_test)綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)8結(jié)果可視化其操作步驟如下。plt.scatter(X_test,Y_test)plt.plot(X_test,Y_pred)plt.show()綜合實(shí)訓(xùn)——使用tensorflow框架實(shí)現(xiàn)創(chuàng)建神經(jīng)網(wǎng)絡(luò)鳶尾花的識(shí)別【案例實(shí)施】任務(wù)9運(yùn)行結(jié)果