资源简介
神经网络入门代码,keras实现,MNIST数据集识别,详情见博客:http://blog.csdn.net/adamshan/article/details/79004784
代码片段和文件信息
from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
from matplotlib import pyplot as plt
def read_data(num_classes):
# the data shuffled and split between train and test sets
(x_train y_train) (x_test y_test) = mnist.load_data()
x_train = x_train.reshape(60000 784)
x_test = x_test.reshape(10000 784)
x_train = x_train.astype(‘float32‘)
x_test = x_test.astype(‘float32‘)
x_train /= 255
x_test /= 255
print(x_train.shape[0] ‘train samples‘)
print(x_test.shape[0] ‘test samples‘)
# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train num_classes)
y_test = keras.utils.to_categorical(y_test num_classes)
return x_train y_train x_test y_test
def model(x_train y_train x_test y_test batch_size epochs num_classes):
model = Sequential()
model.add(Dense(15 activation=‘relu‘ input_shape=(784)))
model.add(Dense(num_classes activation=‘softmax‘))
model.summary()
model.compile(loss=‘categorical_crossentropy‘
optimizer=SGD(lr=0.01)
metrics=[‘accuracy‘])
history = model.fit(x_train y_train
batch_size=batch_size
epochs=epochs
verbose=1
validation_data=(x_test y_test))
### print the keys contained in the history object
print(history.history.keys())
plot_training(history=history)
model.save(‘model.json‘)
score = model.evaluate(x_test y_test verbose=0)
print(‘Test loss:‘ score[0])
print(‘Test accuracy:‘ score[1])
def plot_training(history):
### plot the training and validation loss for each epoch
plt.plot(history.history[‘loss‘])
plt.plot(history.history[‘val_loss‘])
plt.title(‘model mean squared error loss‘)
plt.ylabel(‘mean squared error loss‘)
plt.xlabel(‘epoch‘)
plt.legend([‘training set‘ ‘validation set‘] loc=‘upper right‘)
plt.show()
def show_samples(samples labels):
plt.figure(figsize=(12 12))
for i in range(len(samples)):
plt.subplot(4 4 i+1)
plt.imshow(samples[i] cmap=‘gray‘)
plt.title(labels[i])
plt.show()
if __name__ == ‘__main__‘:
batch_size = 128
num_classes = 10
epochs = 20
x_train y_train x_test y_test = read_data(num_classes)
model(x_train y_train x_test y_test batch_size epochs num_classes)
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2018-01-08 16:49 code\
文件 5382352 2018-01-08 16:49 code\model.json
文件 2588 2018-01-08 16:49 code\model.py
目录 0 2018-01-08 16:49 code\.ipynb_checkpoints\
文件 330403 2018-01-08 16:49 code\.ipynb_checkpoints\Unti
文件 330403 2018-01-08 16:49 code\model.ipynb
目录 0 2018-01-08 16:49 code\.idea\
目录 0 2018-01-08 16:49 code\.idea\inspectionProfiles\
文件 562 2018-01-08 16:49 code\.idea\inspectionProfiles\Project_Default.xm
文件 459 2018-01-08 16:49 code\.idea\code.iml
文件 12139 2018-01-08 16:49 code\.idea\workspace.xm
文件 260 2018-01-08 16:49 code\.idea\modules.xm
文件 209 2018-01-08 16:49 code\.idea\misc.xm
相关资源
- 基于BP神经网络的人脸识别的源代码
- ssd_keras版本代码
- 崇志宏:强化学习和深度强化学习
- Grokking Deep Learning - 最新版-无水印-有
- 人工神经网络原理及仿真
- 一天搞懂深度学习-李宏毅 pdf
- BP神经网络在GPS高程拟合中的应用
- 吴恩达深度学习课程第一课第三周作
- 基于深度学习的航空传感器故障诊断
- 基于深度学习人脸识别
- Keras实现经典的卷积神经网络
- yolo论文理论梳理总结
- bp神经网络轴承故障诊断系统
- 深度学习-《超智能体》电子书-知乎大
- 深度学习在移动端的应用
- u-net眼底图像血管分割keras,kaggle竞赛
- 神经网络模式识别及其实现(书籍和
- 基于opencv接口的深度学习人脸检测代
- tensorflow深度学习CNN智能识别车牌
- 吴恩达深度学习课程第一课 第二周神
- 基于遗传算法的BP神经网络在多目标优
- 论文:基于BP神经网络和GM1,1模型的
- 吴恩达深度学习作业lr_utils和datasets
- 李宏毅课件卷积神经网络CNN课件笔记
- Human-level control through deep reinforcement
- 基于卷积神经网络的医学图像癌变识
- GitHub 最受欢迎深度学习应用项目 To
- 神经网络课件
- 神经网络设计
- 深度学习与自动驾驶领域的数据集K
评论
共有 条评论