python3使用keras简单示例
截至 2017 年 11 月，拥有超过 200,000 个人用户的 Keras 是除 TensorFlow 外被工业界和学术界最多使用的深度学习框架。
简单示例如下:
import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
#输入训练数据 keras接收numpy数组类型的数据
# x=np.array([[0,0,0],
# [0,0,1],
# [0,1,0],
# [0,1,1],
# [1,0,0],
# [1,0,1],
# [1,1,0],
# [1,1,1]])
# y=np.array([0,0,0,0,1,1,1,1]).T
# x=np.array([[0,0,0],
# [0,0,1],
# [0,1,0],
# [0,1,1],
# [1,0,0],
# [1,0,1],
# [1,1,0],
# [1,1,1]])
# y=np.array([0,0,1,1,0,0,1,1]).T
# x=np.array([[0,0,0],
# [0,0,1],
# [0,1,0],
# [0,1,1],
# [1,0,0],
# [1,0,1],
# [1,1,0],
# [1,1,1]])
# y=np.array([0,1,0,1,0,1,0,1]).T
# x=np.array([[0,0,0],
# [0,0,1],
# [0,1,0],
# [0,1,1],
# [1,0,0],
# [1,0,1],
# [1,1,0],
# [1,1,1]])
# y=np.array([1,0,0,0,0,0,0,1]).T
x=np.array([[0,0,0],
[0,0,1],
[0,1,0],
[0,1,1],
[1,0,0],
[1,0,1],
[1,1,0],
[1,1,1]])
y=np.array([0,1,0,1,0,1,0,1]).T
#最简单的序贯模型，序贯模型是多个网络层的线性堆叠
simple_model=Sequential()
#dense层为全连接层
#第一层隐含层为全连接层 5个神经元 输入数据的维度为3
simple_model.add(Dense(8,input_dim=3,activation='relu'))
#第二个隐含层 4个神经元
simple_model.add(Dense(4,activation='relu'))
#输出层为1个神经元
simple_model.add(Dense(1,activation='sigmoid'))
#编译模型,训练模型之前需要编译模型
#编译模型的三个参数：优化器、损失函数、指标列表
simple_model.compile(optimizer='sgd',loss='mean_squared_error')
# 多分类问题
# simple_model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
#训练网络 2000次
#Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用fit函数
simple_model.fit(x,y,epochs=1000)
#应用模型 进行预测
y_=simple_model.predict_classes(np.array([[0,0,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,0,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,1,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[0,1,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,0,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,0,1]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,1,0]]))
print(y_)
y_=simple_model.predict_classes(np.array([[1,1,1]]))
print(y_)
输出结果进行验证无误