4 一个工程了解Keras序贯模型-线性回归与分类任务

【用到的】

　　本节中涉及到的序贯模型的方法：

　　五步：添加层，删除层、编译、训练、评估、预测、

　　工具：训练、评估、预测 数据生成器函数：

　　　　add(self, layer)

　　　　pop(self)

　　　　compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)

　　　　fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)

　　　　evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)

　　　　predict(self, x, batch_size=32, verbose=0)

　　　　train_on_batch(self, x, y, class_weight=None, sample_weight=None)

　　　　test_on_batch(self, x, y, sample_weight=None)

　　　　predict_on_batch(self, x)

　　　　fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)

　　　　evaluate_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False)

　　　  predict_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False, verbose=0)

　　Dense（）

　　　　第一个参数：输出节点数

　　　　uints，input_dim，input_shape ?

 【简单的例子-硬上神经网络做线性回归】-改编自网上的例子，可将代码复制到Jupyter中，执行查看显示结果

    import numpy as np
    np.random.seed(1337)  
    from keras.models import Sequential
    from keras.layers import Dense
    import matplotlib.pyplot as plt
     
    # 生成200组数据
    X = np.linspace(-1, 1, 200) #在返回（-1, 1）范围内的等差序列
    np.random.shuffle(X)    # 打乱顺序
    Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, )) #生成Y并添加噪声
    # plot
    plt.scatter(X, Y)
    plt.show()
     
    X_train, Y_train = X[:160], Y[:160]     # 前160组数据为训练数据集
    X_test, Y_test = X[160:], Y[160:]      #后40组数据为测试数据集
     
    # 构建神经网络模型
    model = Sequential()
    model.add(Dense(20,input_shape=(1,)))#第一隐藏层20个节点
    model.add(Dense(1))#第二层1个节点
     
    # 选定loss函数和优化器
    model.compile(loss='mse', optimizer='sgd')
     
    # 训练过程
    print('Training -----------')
    for step in range(501):
        cost = model.train_on_batch(X_train, Y_train)
        if step % 50 == 0:
            print("After %d trainings, the cost: %f" % (step, cost))
     
    # 测试过程
    print('\nTesting ------------')
    cost = model.evaluate(X_test, Y_test, batch_size=40)
    print('test cost:', cost)
    W1, b1 = model.layers[0].get_weights()
    print('Weights=', W1, '\nbiases=', b1)
    
    W2, b2 = model.layers[1].get_weights()
    print('Weights=', W2, '\nbiases=', b2)
    
    # 将训练结果绘出
    Y_pred = model.predict(X_test)
    plt.scatter(X_test, Y_test)
    plt.plot(X_test, Y_pred)
    plt.show()

【正常的工程代码】

 1 from keras.models import Sequential # 导入序冠模型
 2 from keras.layers import Dense, Dropout, Activation # 导入全连接层 、、激活函数
 3 from keras.optimizers import SGD # 导入随机梯度下降
 4 
 5 # 生成训练和测试数据
 6 import numpy as np
 7 x_train = np.random.random((1000, 20)) #random.random()生成0和1之间的随机浮点数float
 8 y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10) #to_categorical函数将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵, 用于应用到以categorical_crossentropy为目标函数的模型中.
 9 x_test = np.random.random((100, 20))
10 y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
11 
12 model = Sequential()
13 # Dense(64) is a fully-connected layer with 64 hidden units.
14 # in the first layer, you must specify the expected input data shape:
15 # here, 20-dimensional vectors.
16 model.add(Dense(64, activation='relu', input_dim=20))
17 model.add(Dropout(0.5))
18 model.add(Dense(64, activation='relu'))
19 model.add(Dropout(0.5))
20 model.add(Dense(10, activation='softmax'))
21 
22 sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
23 model.compile(loss='categorical_crossentropy',
24               optimizer=sgd,
25               metrics=['accuracy'])
26 
27 model.fit(x_train, y_train,
28           epochs=20,
29           batch_size=128)
30 score = model.evaluate(x_test, y_test, batch_size=128）

【序贯模型另一种用法】直接在定义是加入各层，不用调用model.add()方法

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
            Dense(32, units=784),
            Activation('relu'),
            Dense(10),
            Activation('softmax'),    
])                    

 

【疑问】：

　　【如何评估损失符合要求】