深度学习-多层感知器-建立MLP实现非线性二分类-MLP实现图像多分类

多层感知器（Multi-Layer Perceptron）（人工神经网络）

多层感知器模型框架

MLP用于非线性分类预测

在不增加高次项数据的情况下，如何通过MLP实现非线性分类预测

MLP模型框架

MLP实现多分类预测

实战准备

Keras

Keras是一个用Python编写的用于神经网络开发的应用接口，调用开接口可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发
特点：

• 集成了深度学习中各类成熟的算法，容易安装和使用，样例丰富,教程和文档也非常详细
• 能够以TensorFlow,或者Theano作为后端运行

Keras or Tensorflow
Tensorflow是一个采用数据流图，用于数值计算的开源软件库，可自动计算模型相关的微分导数:非常适合用于神经网络模型的求解。
Keras可看作为tensorflow封装后的一个接口(Keras作为前端，TensorFlow作为后端。
Keras为用户提供了一个易于交互的外壳，方便进行深度学习的快速开发
Keras建立MLP模型

# 建立一个Sequential顺序模型
from keras.models import Sequential
model = Sequential()

# 通过.add()叠加各层网络
from keras.layers import Dense
model.add(Dense(units=3,activation='sigmoid',input_dim=3))
model.add(Dense(units=1,activation='sigmoid'))

# 通过.compile()配置模型求解过程参数
model.compile(loss='categorical_crossentropy',optimizer='sgd'])

# 训练模型
model.fit(x_train,y_train,epochs=5)

实战-建立MLP实现非线性二分类

任务:基于data.csv数据，建立mlp模型，计算其在测试数据上的准确率，可视化模型预测结果︰

• 进行数据分离:

test_size=0.33,random_state=10

• 模型结构:一层隐藏层，有20个神经元

建立MLP模型，查看模型结构

from keras.models import Sequential
from keras.layers import Dense,Activation
mlp = Sequential()
mlp.add(Dense(20,input_dim=2,activation='sigmoid'))
mlp.add(Dense(1,activation='sigmoid'))
mlp.summary()

配置模型参数

mlp.compile(optimizer='adam',loss='binary_crossentropy')

模型训练

mlp.fit(X_train,y_train,epochs=3000)

结果预测

y_test_predict = mlp.predict_classes(X_test)

把预测结果转换为可用于索引的Series类型

y_range_predict = pd.Series([i[0] for i in y_range_predict])

实战：MLP实现图像多分类

任务:基于mnist数据集，建立mlp模型，实现0-9数字的十分类:

• 实现mnist数据载入，可视化图形数字
• 完成数据预处理:图像数据维度转换与归一化、输出结果格式转换
• 计算模型在预测数据集的准确率
• 模型结构:两层隐藏层，每层有392个神经元

mnist数据集介绍
机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28*28像素的灰度手写数字图片。

• 官方网站: http://yann.lecun.com/exdb/mnist/
• 一共4个文件，训练集、训练集标签、测试集、测试集标签

加载mnist数据集

from keras.datasets import mnist
(X_train,y_train),(X_test,y_test) = mnist.load_data()

可视化图片

img1=X_train[0]
fig1=plt.figure(figsize=(3,3))
plt.imshow(img1)

转换输出结果格式

from keras.utils import to_categorical
y_train_format = to_categorical(y_train)

转换输入数据维度

feature_size = (img1.shape[0])*(img1.shape[1])
X_train_format = X_train.reshape(X_train.shape[0],feature_size)

模型建立

mlp = Sequential()
mlp.add(Dense(units=392,activation='sigmoid',input_dim=feature_size))
mlp.add(Dense(units=392,activation='sigmoid'))
mlp.add(Dense(units=10,activation='softmax'))

模型训练参数

mlp.compile(loss='categorical_crossentropy',optimizer='adam'])

模型训练

mlp.fit(X_train_normal,y_train_format,epochs=10)

实战-建立MLP实现非线性二分类

任务：基于data.csv数据，建立mlp模型，计算其在测试数据上的准确率，可视化模型预测结果

• 进行数据分离test_size=0.33,random_state=10
• 模型结构：一层隐藏层，有20个神经元

加载数据

import pandas as pd
import numpy as np
data = pd.read_csv('data.csv')
data.head()

赋值

X = data.drop(['y'],axis=1)
y = data.loc[:,'y']
X.head()

数据可视化

from matplotlib import pyplot as plt
fig1 = plt.figure(figsize=(5,5))
passed=plt.scatter(X.loc[:,'x1'][y==1],X.loc[:,'x2'][y==1])
failed=plt.scatter(X.loc[:,'x1'][y==0],X.loc[:,'x2'][y==0])
plt.legend((passed,failed),('passed','failed'))
plt.xlabel('x1')
plt.ylabel('x2')
plt.title('raw data')
plt.show()

数据分离

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.33,random_state=10)
print(X_train.shape,X_test.shape,X.shape)

建立模型

from keras.models import Sequential
from keras.layers import Dense, Activation
mlp = Sequential()
mlp.add(Dense(units=20, input_dim=2, activation='sigmoid'))
mlp.add(Dense(units=1,activation='sigmoid'))
mlp.summary()

配置

mlp.compile(optimizer='adam',loss='binary_crossentropy')

训练

mlp.fit(X_train,y_train,epochs=3000)

计算模型预测准确率

y_train_predict = mlp.predict_classes(X_train)
from sklearn.metrics import accuracy_score
accuracy_train = accuracy_score(y_train,y_train_predict)
print(accuracy_train)

测试数据集准确率

y_test_predict = mlp.predict_classes(X_test)
accuracy_test = accuracy_score(y_test,y_test_predict)
print(accuracy_test)

查看数据格式

print(y_train_predict[0:10])

生成点集 预测

xx, yy = np.meshgrid(np.arange(0,1,0.01),np.arange(0,1,0.01))
x_range = np.c_[xx.ravel(),yy.ravel()]
y_range_predict = mlp.predict_classes(x_range)
print(type(y_range_predict))

转换格式

y_range_predict_form = pd.Series(i[0] for i in y_range_predict)

print(y_range_predict_form)

可视化

fig2 = plt.figure(figsize=(5,5))
passed_predict=plt.scatter(x_range[:,0][y_range_predict_form==1],x_range[:,1][y_range_predict_form==1])
failed_predict=plt.scatter(x_range[:,0][y_range_predict_form==0],x_range[:,1][y_range_predict_form==0])

passed=plt.scatter(X.loc[:,'x1'][y==1],X.loc[:,'x2'][y==1])
failed=plt.scatter(X.loc[:,'x1'][y==0],X.loc[:,'x2'][y==0])
plt.legend((passed,failed,passed_predict,failed_predict),('passed','failed','passed_predict','failed_predict'))
plt.xlabel('x1')
plt.ylabel('x2')
plt.title('prediction result')
plt.show()

实战二：MLP实现图像多分类

基于mnist数据集，建立mlp模型，实现0-9数字的十分类task：：

1. 实现mnist数据载入，可视化图形数字
2. 完成数据预处理：图像数据维度转换与归一化、输出结果格式转换
3. 计算模型在预测数据集的准确率
4. 模型结构：两层隐藏层，每层有392个神经元

载入数据

from keras.datasets import mnist
(X_train,y_train),(X_test,y_test) = mnist.load_data()

查看数据类别和维度

print(type(X_train),X_train.shape)

可视化一个数据

img1 = X_train[0]
%matplotlib inline
from matplotlib import pyplot as plt
fig1 = plt.figure(figsize=(3,3))
plt.imshow(img1)
plt.title('image size: 28 X 28')
plt.show()

创建一个新数组

feature_size = img1.shape[0]*img1.shape[1]
X_train_format = X_train.reshape(X_train.shape[0],feature_size)
X_test_format = X_test.reshape(X_test.shape[0],feature_size)


print(X_train_format.shape)

归一化

X_train_normal = X_train_format/255
X_test_normal = X_test_format/255

输出结果转换

from keras.utils import to_categorical
y_train_format = to_categorical(y_train)
y_test_format = to_categorical(y_test)
print(y_train_format[0])

查看转换效果

print(X_train_normal.shape,y_train_format.shape)

设置模型

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

mlp = Sequential()
mlp.add(Dense(units=392,activation='relu',input_dim=784))
mlp.add(Dense(units=392,activation='relu'))
mlp.add(Dense(units=10,activation='softmax'))
mlp.summary()

模型配置

mlp.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['categorical_accuracy'])

训练

mlp.fit(X_train_normal,y_train_format,epochs=10)

评估模型

y_train_predict = mlp.predict_classes(X_train_normal)
print(type(y_train_predict))
print(y_train_predict[0:10])
from sklearn.metrics import accuracy_score
accuracy_train = accuracy_score(y_train,y_train_predict)
print(accuracy_train)
y_test_predict = mlp.predict_classes(X_test_normal)
accuracy_test = accuracy_score(y_test,y_test_predict)
print(accuracy_test)

查看结果、

img2 = X_test[100]
fig2 = plt.figure(figsize=(3,3))
plt.imshow(img2)
plt.title(y_test_predict[100])
plt.show()

img2 = X_test[19]
fig2 = plt.figure(figsize=(3,3))
plt.imshow(img2)
plt.title(y_test_predict[19])
plt.show()

# coding:utf-8
import matplotlib as mlp
font2 = {'family' : 'SimHei',
'weight' : 'normal',
'size'   : 20,
}
mlp.rcParams['font.family'] = 'SimHei'
mlp.rcParams['axes.unicode_minus'] = False
a = [i for i in range(1,10)]
fig4 = plt.figure(figsize=(5,5))
for i in a:
    plt.subplot(3,3,i)
    plt.tight_layout()
    plt.imshow(X_test[i])
    plt.title('predict:{}'.format(y_test_predict[i]),font2)
    plt.xticks([])
    plt.yticks([])

环境版本

numpy	1.20.3
matplotlib	3.4.3
pandas	1.3.4
keras	2.6.0
scikit-learn	0.24.2