精华内容
下载资源
问答
  • 主要介绍了利用keras使用神经网络预测销量操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  • 利用Keras搭建神经网络进行回归预测

    万次阅读 2018-12-18 10:01:29
    from keras.datasets import boston_housing from keras import models from keras import layers (X_train, y_train), (X_test, y_test) = boston_...#对数据进行标准化预处理,方便神经网络更好的学习 mean = X_...
    from keras.datasets import boston_housing
    from keras import models
    from keras import layers
    
    (X_train, y_train), (X_test, y_test) = boston_housing.load_data()#加载数据
    
    #对数据进行标准化预处理,方便神经网络更好的学习
    mean = X_train.mean(axis=0)
    X_train -= mean
    std = X_train.std(axis=0)
    X_train /= std
    X_test -= mean
    X_test /= std
    
    #构建神经网络模型
    def build_model():
        #这里使用Sequential模型
        model = models.Sequential()
        #进行层的搭建,注意第二层往后没有输入形状(input_shape),它可以自动推导出输入的形状等于上一层输出的形状
        model.add(layers.Dense(64, activation='relu',input_shape=(X_train.shape[1],)))
        model.add(layers.Dense(64, activation='relu'))
        model.add(layers.Dense(1))
        #编译网络
        model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
        return model
    
    num_epochs = 100
    model = build_model()
    model.fit(X_train, y_train,epochs=num_epochs, batch_size=1, verbose=0)
    predicts = model.predict(X_test)

        在实际操作中可以用自己的数据进行测试,最终预测出的predicts,可以利用回归评价指标和y_test进行模型效果的评价。

    展开全文
  • Ubuntu中利用h5py保存训练好的keras神经网络模型;h5py詳細安装;

    Ubuntu中利用h5py保存训练好的keras神经网络模型
    利用h5py保存的模型所占的空间非常小。在利用h5py保存keras训练好的模型之前需要先安装h5py,具体安装过程詳細如下。


    (1)利用h5py保存和读取keras模型的代码如下:

    import h5py from keras.models import model_from_json
    json_string = model.to_json()
    open('my_model_architecture.json','w').write(json_string)
    model.save_weights('my_model_weights.h5')
     #读取model
    model = model_from_json(open('my_model_architecture.json').read())
    model.load_weights('my_model_weights.h5')

    (2)安装h5py步驟:

    直接利用 sudo pip install h5py 首先出现没有cython;安装完cython后会提示一个g++错误,这是由于没有安装hdf5;安装完hdf5再安装h5py就能够成功安装。

    安装h5py的命令如下:

    sudo pip install cython
    sudo apt-get install libhdf5-dev
    sudo pip install h5py

    安装完成后可以用如下命令測試:

    userT@t5810:~$ python
    Python 2.7.6 (default, Oct 26 2016, 20:30:19) 
    [GCC 4.8.4] on linux2
    Type "help", "copyright", "credits" or "license" for more information.
    >>> 
    >>> import h5py
    >>> 
    

    轉載自:

    http://blog.csdn.net/linmingan/article/details/50736300

    http://blog.csdn.net/linmingan/article/details/50736615



    展开全文
  • 我是一个python小白,最近在学习一些有关神经网络的知识: 偶然之间发现了一本有关keras的书还不错,有详细的代码,我也不知道该怎么学习keras,先从分析代码开始,内容会有点啰唆,大神轻喷。以下代码引自《keras...

    我是一个python小白,最近在学习一些有关神经网络的知识:
    偶然之间发现了一本有关keras的书还不错,有详细的代码,我也不知道该怎么学习keras,先从分析代码开始,内容会有点啰唆,大神轻喷。以下代码引自《keras深度学习实战》

    from __future__ import print_function 
    import numpy as np
    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    from keras.optimizers import SGD
    from keras.utils import np_utils
    
    np.random.seed(1671)  # 重复性设置
    
    # 网络和训练
    NB_EPOCH = 200
    BATCH_SIZE = 128
    VERBOSE = 1
    NB_CLASSES = 10   # 输出个数等于数字个数
    OPTIMIZER = SGD() # SGD 优化器
    N_HIDDEN = 128
    VALIDATION_SPLIT=0.2 # 训练集中用作验证集的数据比例
    
    #数据:混合并划分训练集和测试集
    #
    (X_train, y_train), (X_test, y_test) = mnist.load_data()
    
    #X_train 是 60000 行 28x28 的数据 --> 变形为 60000 x 784
    RESHAPED = 784
    #
    X_train = X_train.reshape(60000, RESHAPED)
    X_test = X_test.reshape(10000, RESHAPED)
    X_train = X_train.astype('float32')
    X_test = X_test.astype('float32')
    
    # 归一化处理
    #
    X_train /= 255
    X_test /= 255
    print(X_train.shape[0], 'train samples')
    print(X_test.shape[0], 'test samples')
    
    # 将类向量转换为二值类别矩阵
    Y_train = np_utils.to_categorical(y_train, NB_CLASSES)
    Y_test = np_utils.to_categorical(y_test, NB_CLASSES)
    
    # 10个输出
    # 最后是softmax激活函数
    
    model = Sequential()
    model.add(Dense(NB_CLASSES, input_shape=(RESHAPED,))) # 全连接层
    model.add(Activation('softmax')) #激活层
    
    model.summary()  #打印出模型概况,它实际调用的是keras.utils.print_summary
    
    model.compile(loss='categorical_crossentropy',
                  optimizer=OPTIMIZER,
                  metrics=['accuracy'])
    
    history = model.fit(X_train, Y_train,
                        batch_size=BATCH_SIZE, epochs=NB_EPOCH,
                        verbose=VERBOSE, validation_split=VALIDATION_SPLIT) #verbose 是日志显示
    score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
    print("\nTest score:", score[0])
    print('Test accuracy:', score[1])
    

    上面的代码用Keras定义一个识别MNIST手写数字的网络,利用一个简单的神经网络最后训练出来的效果其实还挺好的。
    在这里插入图片描述
    利用keras构建神经网络模型其实很简洁
    1.模块导入

    #
    from __future__ import print_function 
    import numpy as np
    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    from keras.optimizers import SGD
    from keras.utils import np_utils
    

    咱们一行一行解释这些代码是干啥用的?

    from __future__ import print_function
    

    加上这句话后,即使在python2.X,使用print就得像python3.x那样加括号使用。python2.X中print不需要括号,而在python3.X中则需要。如果是python3.X版本,这句话加不加都没影响。

    import numpy as np
    

    导入numpy库,NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。

    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    from keras.optimizers import SGD
    from keras.utils import np_utils
    

    第一行是从keras.datasets加载手写数字数据集,keras主要有7种,详细介绍可以参考这位大神写的博客 https://blog.csdn.net/weixin_41770169/article/details/80249986
    第二行是从keras.models 中导入序贯(Sequential)模型,序贯模型是多个网络层的线性堆叠,也就是“一条路走到黑”。官方文档有具体解释: https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/
    第三行 layer是层,Dense是全连接层,Activation是激活层
    第四行是优化器optimizer, 这个模型使用的是SGD随机梯度下降优化算法
    第五行 这个的功能是实现编码输出标签。

    展开全文
  • 利用keras搭积木,快速搭建出一个神经网络模型,训练鸢尾花分类 代码 import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.io import loadmat from sklearn.model_selection import...

    利用keras搭积木,快速搭建出一个神经网络模型,训练鸢尾花分类

    代码

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from scipy.io import loadmat
    from sklearn.model_selection import train_test_split
    import keras
    from keras.models import Sequential
    from keras.layers import Dense
    
    # 导入数据
    path = '../Data/iris.data'
    data = pd.read_csv(path, names=['Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','Species'])
    data.head(10)
    

    # 映射函数iris_type: 将string的label映射至数字label
    def iris_type(s):
        class_label = {'Iris-setosa':0, 'Iris-versicolor':1, 'Iris-virginica':2}
        return class_label[s]
    Data = pd.read_csv(path,names=['Sepal.Length','Sepal.Width','Petal.Length','Petal.Width','Species'], converters = {4:iris_type})
    Data.head(10)
    

    # 变量初始化
    # 最后一列为y,其余为x
    cols = Data.shape[1] #列数 shape[0]行数 [1]列数
    X = Data.iloc[:,0:cols-1]       #取前cols-1列,即输入向量
    y = Data.iloc[:,cols-1:cols]    #取最后一列,即目标变量
    X = np.array(X)
    y = np.array(y)
    y = y.flatten()       # 对y进行降维
    
    def realdata(y,k):
        real = np.zeros(shape=(k,len(y)))
        for i in range(0,k):
            y_i = np.array([1 if label == i else 0 for label in y])
            real[i] = y_i
        return real.T
    y = realdata(y,3)
    y
    

    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)
    #y_train=y_train.T
    X_train.shape,y_train.shape
    
    # 搭建神经网络
    # 搭建神经网络
    model = Sequential()
    model.add(Dense(units=5, activation='relu',input_dim = 4))   # 输入层,5个激活单元,激活函数为relu,输入数据维度为(4,)
    model.add(Dense(units=5, activation='relu'))                 # 隐藏层,5个激活单元,激活函数为relu
    model.add(Dense(units=3, activation='softmax'))              # 输出层,3个输出单元,激活函数为softmax)
    
    model.compile(loss='categorical_crossentropy', optimizer='sgd',metrics=['accuracy'])
    
    model.fit(X_train,y_train,batch_size=1,epochs = 20)
    

    result = model.predict(X_test)
    np.round(result,2)
    

    score = model.evaluate(X_test,y_test)
    print('loss值为:',score[0])
    print('准确率为:',score[1])
    

    展开全文
  • 神经网络学习小记录7——利用Keras进行CNN网络构建学习前言Keras中构建CNN的重要函数1、Conv2D2、MaxPooling2D3、metrics=['accuracy']全部代码 学习前言 利用Keras构建完普通BP神经网络后,还要会构建CNN。 Keras...
  • Recurrent Shop:利用Keras构建复杂的递归神经网络的框架
  • 利用基于tensorflow2的keras框架,搭建CNN卷积神经网络模型,对手写数字识别数据集mnist进行分类,网络规模小,训练精度高。网络包括三个卷积层,两个池化层和全连接层,在测试集上实现了99%左右的识别率。
  • 神经网络学习小记录5——利用Keras进行回归运算学习前言什么是KerasKeras中基础的重要函数1、Sequential2、Dense3、model.compile全部代码 学习前言 看了好多Github,用于保存模型的库都是Keras,我觉得还是好好学习...
  • 神经网络就是一个简单的lstm神经网络,调用了keras模块,现在想比较不同训练方法的效率,如何在训练完成后显示每一步训练以及最后训练完的总时间?
  • Keras中提供了一个神经网络可视化的函数plot,并可以将可视化结果保存在本地 from keras.utils.vis_utils import plot_model plot_model(model, to_file='model.png') 安装: 首先安装pydot模块(直接利用conda ...
  • model.add(LSTM(input_dim=1, output_dim=8,return_sequences=False)),代码如下,就采用这样的网络不训练直接测试,每次结果都有很大偏差,说明每次网络初始化权重都不一样,怎样把它设定为固定值呢?
  • keras神经网络模型的保存与加载

    千次阅读 2019-10-25 10:36:29
    一旦你利用Keras完成了训练,你可以将你的网络保存在HDF5里面。 今天毛利灭了它 只需要导入from keras.models import model_from_json就是这么简单 基于Iris数据集 from sklearn import datasets import numpy as np...
  • Python预测基金净值:keras神经网络

    千次阅读 2021-01-19 21:36:41
    有一种观点:利用股票历史股价数据,搭建神经网络深度学习,预测股票未来走势,是外行人士的发神经。原因不外乎这些:首先,现有的量价指标等分析工具,远比仅研究历史股价数据靠谱;其次,涨停板的限制、新股N个...
  • 神经网络学习小记录8——利用Keras进行简单RNN网络构建学习前言Keras中构建RNN的重要函数1、SimpleRNN2、model.train_on_batch全部代码 学习前言 还要会RNN噢。 Keras中构建RNN的重要函数 1、SimpleRNN SimpleRNN...
  • 利用h5py保存的模型所占的空间非常小。在利用h5py保存keras训练好的模型之前需要先安装h5py,具体的安装过程可参考我关于...利用h5py保存和读取keras模型的代码如下:   import h5py from keras.models import m...
  • 前言该项目通过卷积神经网络加Q-learning算法,利用Keras框架共210行代码实现了让程序自己学习如何玩耍FlappyBird。安装依赖库pip install keras pip install pygame pip install scikit-image pip install h5py如果...
  • AI:Keras神经网络全连接层多分类问题的训练损失、验证损失和训练精度、验证精度,Python import keras from keras.layers import Dense from keras import models from keras import optimizers from sklearn....
  • Keras将Theano和TensorFlow的数值计算封装好,几句话就可以配置并训练神经网络。本章开始使用Keras开发神经网络。本章将: 将CSV数据读入KerasKeras配置并编译多层感知器模型 用验证数据集验证Keras模型 我们...
  • 直接上代码 from PIL import Image ...from keras.utils import to_categorical path="F:\\kaggle\\dog_vs_cat\\" train_X=np.empty((2000,227,227,3),dtype="float16") train_Y=np.empty((2000,),dtyp...
  • 神经网络学习小记录6——利用Keras进行简单分类学习前言Keras中分类的重要函数1、np_utils.to_categorical2、Activation3、metrics=['accuracy']全部代码 学习前言 上一步讲了如何构建回归算法,这一次将怎么进行...
  • 利用Keras,在神经网络中实现正则化

    千次阅读 2020-04-12 15:37:04
    正则项在优化过程中层的参数或层的激活值添加惩罚项,这些惩罚项将与损失函数一起作为网络的最终优化目标 惩罚项基于层进行惩罚,目前惩罚项的接口与层有关,但Dense, Conv1D, Conv2D, Conv3D具有共同的接口。...
  • win10下基于anaconda利用keras开展16系显卡GTX1650的GPU神经网络计算 虽然安装了双系统,但ubantu的确是不太常用,所以还是尝试一下win10下的GPU神经网络计算。从实践看,大体步骤与ubantu下一致,下面进行详细介绍...
  • keras搭建神经网络

    2020-10-21 13:24:40
    Keras是一个神经网络开发的高级API,用Python编写,底层调用神经网络开发库TensorFlow、CNTK或Theano。 Keras的目标是简化神经网络应用开发过程,快速实现想法。 Keras 后端 Keras 是一个模型级库,为开发深度学习...
  • 欢迎进入TensorFlow2.0入门到进阶的第二章内容,这一章将主要讲解利用tf.keras的实战部分。本节主要是对tf.keras的简要介绍。 文章目录1、理论部分1.1 TensorFlow-Keras简介1.1.1 Keras1.1.2 tf-keraskeras相同点...
  • 神经网络学习小记录9——利用Keras进行模型的保存与读取学习前言Keras中构建RNN的重要函数1、model.save;2、load_model. ## 1、model.save model.save用于保存模型,在保存模型前,首先要利用pip install安装h5py的...
  • # -*- coding: utf-8 -*- """ ...#利用卷积神经网络进行手写数字识别 from keras.models import Sequential from keras.layers import Dense,Dropout,Flatten from keras.la...
  • 如何利用Keras中的权重约束减少深度神经网络中的过拟合 权重约束提供了一种方法,用于减少深度学习神经网络模型对训练数据的过度拟合,并改善模型对新数据(例如测试集)的性能。有多种类型的权重约束,例如最大和...
  • Keras搭建分类神经网络2.1.导入必要模块2.2.数据预处理2.3.搭建模型2.4.激活模型2.5.训练+测试 1.前言 今天用 Keras 来构建一个分类神经网络,用到的数据集是 MNIST,就是 0 到 9 这几个数字的图片数据集。 2.用...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,418
精华内容 4,967
关键字:

利用keras神经网络