企业网站上海 优帮云,烟台网站排名优化价格,给网站设置长尾关键词,wordpress媒体库缩略图不现实在本文中#xff0c;我们将了解多层感知器的概念及其使用 TensorFlow 库在 Python 中的实现。
多层感知器
多层感知也称为MLP。它是完全连接的密集层#xff0c;可将任何输入维度转换为所需的维度。多层感知是具有多个层的神经网络。为了创建神经网络#xff0c;我们将神…在本文中我们将了解多层感知器的概念及其使用 TensorFlow 库在 Python 中的实现。
多层感知器
多层感知也称为MLP。它是完全连接的密集层可将任何输入维度转换为所需的维度。多层感知是具有多个层的神经网络。为了创建神经网络我们将神经元组合在一起以便某些神经元的输出是其他神经元的输入。 神经网络和 TensorFlow的简单介绍可以在这里找到
神经网络TensorFlow 简介
多层感知器有一个输入层对于每个输入有一个神经元或节点它有一个输出层每个输出有一个节点它可以有任意数量的隐藏层每个隐藏层可以有任意数量的节点。多层感知器 (MLP) 的示意图如下所示。 在上面的多层感知器图中我们可以看到有三个输入因此有三个输入节点隐藏层有三个节点。输出层有两个输出因此有两个输出节点。输入层中的节点接受输入并将其转发以进行进一步处理在上图中输入层中的节点将其输出转发到隐藏层中的三个节点中的每一个并且以同样的方式隐藏层处理信息并将其传递到输出层。
多层感知中的每个节点都使用 sigmoid 激活函数。sigmoid 激活函数将实数值作为输入并使用 sigmoid 公式将其转换为 0 到 1 之间的数字。 现在我们已经完成了多层感知的理论部分让我们继续使用TensorFlow库在python中实现一些代码。
逐步实施
第1步导入必要的库。 Python3 # 导入模块
import tensorflow as tf
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt这段代码导入了一些常用的Python库包括TensorFlow用于深度学习、NumPy用于数值计算、Keras用于构建神经网络模型以及Matplotlib用于绘图和数据可视化。这些库通常用于机器学习、深度学习和数据可视化任务。 步骤 2下载数据集。
TensorFlow 允许我们读取 MNIST 数据集我们可以将其直接加载到程序中作为训练和测试数据集。 Python3 (x_train, y_train), (x_test, y_test) tf.keras.datasets.mnist.load_data()这段代码从 TensorFlow 的 Keras 库中加载 MNIST 数据集。数据集被分成两部分 (x_train, y_train) 包含了训练数据其中 x_train 是训练图像的集合y_train 是对应的训练标签集合。(x_test, y_test) 包含了测试数据其中 x_test 是测试图像的集合y_test 是对应的测试标签集合。 MNIST 数据集是一个经典的手写数字识别数据集通常用于机器学习和深度学习任务例如训练神经网络来识别手写数字。 输出 从 https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 下载数据 11493376/11490434 [] – 2s 0us/步 第三步现在我们将像素转换为浮点值。 Python3 # 将数据转换为浮点数
x_train x_train.astype(float32)
x_test x_test.astype(float32)# 归一化图像像素值将像素值除以 255
灰度范围 255
x_train / 灰度范围
x_test / 灰度范围这段代码执行以下操作 使用 .astype(float32) 将训练数据 x_train 和测试数据 x_test 中的图像数据转换为浮点数格式以便进行数值计算。 将图像的像素值归一化通过将每个像素值除以 255将像素值从原始范围0到255缩放到新的范围0到1。这是常见的数据预处理步骤有助于提高模型的训练效果。 这些操作是为了准备数据以供深度学习模型使用以便更好地进行训练和预测。 我们将像素值转换为浮点值以进行预测。将数字更改为灰度值将是有益的因为值会变小并且计算会变得更容易和更快。由于像素值的范围是从 0 到 256除了 0 之外范围是 255。因此将所有值除以 255 会将其转换为从 0 到 1 的范围 第 4 步了解数据集的结构 Python3 # 输出特征矩阵的形状
print(特征矩阵:, x_train.shape)# 输出目标矩阵的形状
print(目标矩阵:, x_test.shape)# 输出特征矩阵的形状
print(特征矩阵:, y_train.shape)# 输出目标矩阵的形状
print(目标矩阵:, y_test.shape)这段代码执行以下操作 print(特征矩阵:, x_train.shape) 输出训练特征矩阵 x_train 的形状以显示训练数据中图像的数量和每个图像的维度。 print(目标矩阵:, x_test.shape) 输出测试目标矩阵 x_test 的形状以显示测试数据中图像的数量和每个图像的维度。 print(特征矩阵:, y_train.shape) 输出训练特征矩阵 y_train 的形状以显示训练数据中标签的数量。 print(目标矩阵:, y_test.shape) 输出测试目标矩阵 y_test 的形状以显示测试数据中标签的数量。 这些输出有助于了解数据集的规模和维度以便更好地理解数据的结构。 输出
特征矩阵: (60000, 28, 28)
目标矩阵: (10000, 28, 28)
特征矩阵: (60000,)
目标矩阵: (10000,)因此我们得到训练数据集中有 60,000 条记录测试数据集中有 10,000 条记录并且数据集中的每个图像的大小为 28×28。
第 5 步可视化数据。 Python3 fig, ax plt.subplots(10, 10)k 0
for i in range(10):for j in range(10):ax[i][j].imshow(x_train[k].reshape(28, 28), aspectauto)k 1plt.show()这段代码执行以下操作 创建一个包含10行和10列的子图图表这些子图将用于显示手写数字图像。使用循环 for i in range(10) 和 for j in range(10) 遍历这个图表中的所有子图。在每个子图中使用 imshow 函数显示训练数据集中的图像。x_train[k] 是一个28x28像素的图像reshape(28, 28) 用于将图像的形状调整为28x28像素。k 用于迭代训练数据集中的不同图像。最后通过 plt.show() 显示图表以查看手写数字图像。 这段代码的输出是一个包含100个手写数字图像的图表用于可视化数据集中的样本。 输出 第 6 步形成输入层、隐藏层和输出层。 Python3 这段代码创建了一个顺序模型Sequential Model其中包含了以下层次 Flatten(input_shape(28, 28))输入层将28行 * 28列的数据重新整形为一个包含784个神经元的一维层。这是因为深度学习模型通常需要一维的输入数据。 Dense(256, activationsigmoid)第一个隐藏层包含256个神经元激活函数为sigmoid。这一层的任务是学习数据中的特征表示。 Dense(128, activationsigmoid)第二个隐藏层包含128个神经元激活函数为sigmoid。同样这一层用于学习更高级的特征表示。 Dense(10, activationsigmoid)输出层包含10个神经元激活函数为sigmoid。这一层通常用于多类别分类问题例如手写数字识别其中每个神经元对应一个数字类别。 这个模型的结构定义了层次和每个层次的神经元数量以便用于训练和预测任务。 model Sequential([# 将28行 * 28列的数据重新整形为28*28行Flatten(input_shape(28, 28)),# 密集层1Dense(256, activationsigmoid),# 密集层2Dense(128, activationsigmoid),# 输出层Dense(10, activationsigmoid),
])需要注意的一些要点
顺序模型允许我们根据多层感知器的需要逐层创建模型并且仅限于单输入、单输出的层堆栈。Flatten压平提供的输入而不影响批量大小。例如如果输入的形状为 (batch_size,)但没有特征轴则展平会添加额外的通道维度并且输出形状为 (batch_size, 1)。激活用于使用 sigmoid 激活函数。前两个Dense层用于制作全连接模型并且是隐藏层。最后一个Dense 层是输出层包含 10 个神经元决定图像属于哪个类别。 第7步编译模型。 Python model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy])这段代码执行了以下操作 optimizeradam指定了优化器即Adam优化器用于模型的训练。Adam是一种常用的优化算法用于根据损失函数来调整模型的权重以最小化损失。 losssparse_categorical_crossentropy指定了损失函数即稀疏分类交叉熵损失。这是一种常用于多类别分类问题的损失函数用于度量模型的性能。 metrics[accuracy]指定了评估指标即在训练和评估过程中要计算的性能指标。在这种情况下我们关注模型的准确度即正确分类的比例。 模型的编译是为了准备模型进行训练指定了优化算法、损失函数和评估指标以便模型可以根据这些设置进行参数的更新和性能的评估。 这里使用的编译函数涉及到损失、优化器和指标的使用。这里使用的损失函数是sparse_categorical_crossentropy使用的优化器是adam。 第8步拟合模型。 Python3 model.fit(x_train, y_train, epochs10, batch_size2000, validation_split0.2)这段代码执行了以下操作 x_train训练数据的特征矩阵。y_train训练数据的目标标签矩阵。epochs10指定了训练的周期数模型将在整个训练数据集上迭代10次。batch_size2000指定了每个批次的样本数量模型将在每个批次中处理2000个样本。这有助于加速训练过程。validation_split0.2指定了用于验证的数据集比例这里是20%。在每个训练周期结束时模型将使用20%的数据来验证模型性能以便监控训练的进展和检测过拟合。 这些参数和设置用于模型的训练让模型能够学习如何正确分类手写数字。 输出
Epoch 1/10
48/48 [] - 1s 12ms/step - loss: 1.2345 - accuracy: 0.5678 - val_loss: 0.9876 - val_accuracy: 0.6543
...
Epoch 10/10
48/48 [] - 1s 12ms/step - loss: 0.3456 - accuracy: 0.8901 - val_loss: 0.4321 - val_accuracy: 0.8765在这个示例中模型经过10个训练周期每个周期的损失值loss和准确度accuracy都有所改变。val_loss 和 val_accuracy 是验证集上的损失和准确度用于监控模型的泛化性能。 请注意实际的输出结果可能会因训练进程和随机性而异。您可以在训练时查看这些输出以了解模型的性能和训练进度。 第 9 步查找模型的准确性。 Python3 results model.evaluate(x_test, y_test, verbose0)
print(测试损失和准确度:, results)这段代码执行以下操作 results model.evaluate(x_test, y_test, verbose0)使用测试数据 x_test 和相应的测试标签 y_test 来评估模型的性能。verbose0 表示在评估过程中不输出详细信息。 print(测试损失和准确度:, results)输出模型在测试数据上的损失值和准确度。results 包含了这些性能指标的值。 这些输出用于了解模型在测试数据上的性能包括损失值和准确度等。 输出
测试损失和准确度: [0.1234, 0.9876]在这个示例中模型在测试数据上的损失值是0.1234测试准确度是0.9876。这些值表示模型在测试数据上的性能其中较低的损失值和较高的准确度通常表示更好的性能。实际的数值将根据模型和测试数据而有所不同。 通过在测试样本上使用model.evaluate()我们的模型准确率达到了 92% 。
