
# 之前没有安装numpy，这里可能会报错，安装numpy就行。
# 也可能安装TensorFlow的时候就安装过了，不报错就行
import numpy
 
 
def make_data():
    # 用于保存所有的x
    x = []
 
    # 用于保存所有的y
    y = []
    for i in range(10000):
        # 将i作为自变量，添加到列表x的末尾
        x.append(i)
 
        # 将i ** 2 + 2 * i + 1作为输出，添加到列表y的末尾
        y.append(i ** 2 + 2 * i + 1)
 
    # 保存x和y，分别作为数据集的输入和输出，前面的字符串是保存文件的名字
    numpy.save('x_data', x)
    numpy.save('y_data', y)
 
 
# 运行完之后，文件夹内会多出来'x_data.npy'、'y_data.npy'两个文件
make_data()

3.2 神经网络模型

3.2.1 利用Sequential()函数搭建网络

实际上搭建神经网络的方法不止一种，这种方法是最简单的，但无法建立带有分支的模型，因此后续可能会出一篇带分支模型的建立方法。

注意事项：

1、维度相匹配，数据集输入的维度应当与第一层相匹配，模型内部相邻的两层维度应当相匹配。

2、最后一层的神经元数量应当与输出的数量一致。

简单来说如果期望的结果是[y1]，那么最后一层就是Dense(1)；

如果是[y1,y2]，那么最后一层就是Dense(2);

如果是[y1,y2,y3]，那么最后一层就是Dense(3)，以此类推。

我们最后只是输出一个浮点数，所以输出的Dense中的神经元只有1个。

神经网络有很多种，Dense表示全连接神经网络，实际上还有

卷积神经网络的Conv1D、Conv2D、MaxPooling1D；

RNN改进型网络的LSTM、GRU；

以及防止过拟合等功能的Dropout、BatchNormalization等layer。

像下列代码一样，将对应的layer放入Sequential()中即可完成模型的建立。

具体如何建立模型，可以参考相关课程，本文只关注快速实现。


from keras.models import Sequential
from keras.layers import Dense
 
model = Sequential([
    # 包含两层全连接网络，第一层2个神经元，第二层1个神经元
    Dense(2),
    Dense(1)
])

3.2.2 使用fit()函数训练神经网络并保存

首先我们把刚才生成的x_data，y_data加载到对应的变量中。

之后使用compile()函数对训练过程进行配置：

loss=mean_squared_error 意为使用均方误差作为损失函数，还有其他的损失函数可选，包含在keras.losses中可以看一看。

optimizer='adam'表示选择优化器为adam。还有一些其他的优化器，不过adam最常用。

之后就是使用 fit() 函数对模型进行训练了，函数括号中前两个位置，也就是x_data，y_data，表示数据集的输入和输出。

shuffle=True 将数据集打乱。

validation_split=0.15 拿出数据集中的15%的数据作为测试集。

epochs=300 训练300轮。

batch_size=512 将512个数据划分为一组，一同喂入神经网络。

callbacks=[] 是回调函数，一般可用于断点续训，提前终止训练等，本案例不管。

最后model.save('model.h5')保存模型，字符串为保存模型的名字。


from keras.losses import mean_squared_error
 
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model.compile(loss=mean_squared_error, optimizer='adam')
history = model.fit(
    x_data, y_data, 
    shuffle=True, validation_split=0.15, 
    epochs=300, batch_size=512, 
    callbacks=[])

3.2.3 模型加载并通过predict()函数使用模型

这里没啥好说的，首先用load_model()函数加载模型h5文件，之后调用predict()函数直接预测就行。

不过这个输入维度需要注意一下，有时候需要reshape一下再使用。


from keras.models import load_model
 
# 加载模型
model = load_model('model.h5')
 
# 定义输入的数据
x1 = 0.4
 
# 输出结果，将结果保存到res。
# 这里一般需要注意数据的维度问题，所以包成了一个列表。
res = model.predict([x1])
 
# 打印预测值
print(res)
# 打印准确值
print(x1 ** 2 + 2 * x1 + 1)

3.2.4 全部代码


# 文件1，运行后生成数据集的输入x_data.npy，与结果y_data.npy。
import random
import numpy
 
 
def make_data():
    # 用于保存所有的x
    x = []
 
    # 用于保存所有的y
    y = []
    for i in range(1000):
        # 将i作为自变量，添加到列表x的末尾
        n = random.random()
        x.append([n])
 
        # 将i ** 2 + 2 * i + 1作为输出，添加到列表y的末尾
        y.append(n ** 2 + 2 * n + 1)
 
    # 保存x和y，分别作为数据集的输入和输出，前面的字符串是保存文件的名字
    numpy.save('x_data', x)
    numpy.save('y_data', y)
 
 
# 运行完之后，文件夹内会多出来'x_data.npy'、'y_data.npy'两个文件
make_data()


# 文件2，生成神经网络，配置并训练。
# 训练过程的损失函数保存在history中。
# 模型保存为model.h5文件
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.losses import mean_squared_error
 
model = Sequential([
    Dense(1, activation=None),
    Dense(2, activation=None),
    Dense(1, activation=None)
])
 
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model.compile(loss=mean_squared_error, optimizer='adam')
history = model.fit(
    x_data, y_data,
    shuffle=True, validation_split=0.15,
    epochs=1000, batch_size=512,
    callbacks=[])
model.save('model.h5')


# 文件3，加载神经网络并使用
from keras.models import load_model
 
# 加载模型
model = load_model('model.h5')
 
# 定义输入的数据
x1 = 0.4
 
# 输出结果，将结果保存到res。
# 这里一般需要注意数据的维度问题，所以包成了一个列表。
res = model.predict([x1])
 
# 打印预测值
print(res)
# 打印准确值
print(x1 ** 2 + 2 * x1 + 1)


# 文件4，模型训练没收敛，重新加载模型并继续训练
import numpy as np
from keras.models import load_model
 
# 加载数据集及模型
x_data = np.load('x_data.npy')
y_data = np.load('y_data.npy')
model = load_model('model.h5')
 
# 重新调用fit函数
history = model.fit(x_data, y_data, shuffle=True, validation_split=0.15, epochs=3000, batch_size=512, callbacks=[])
 
# 保存模型
model.save('model.h5')

4、总结

安装部分占据了大部分篇幅，但实际上并没有那么难，所以不再总结。

使用部分其实就是

1、数据集制作

2、神经网络搭建（简单网络用Sequential()函数即可）

3、训练神经网络（用compile()函数即可）

4、使用神经网络（用fit()函数即可）

5、神经网络的保存与加载。（用model.save()与load_model()即可）

所以使用框架搭建神经网络并训练使用是一件很套路化的东西，所以并不难，难点在于如何建立契合问题的数据集、建立适应问题并兼容数据集维度的模型。

声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】