欧美午夜诱惑在线_一区二区三级片_国产成人综合v在线_国产91精品无码免费_高清综合亚洲三级_黄色软件下载观看_上萬網友分享国产精品高潮呻吟久久av心得_美女扒开尿眼无遮挡免费视频_好紧好湿好黄的视频免费_亚洲日韩欧美中字五月天

Keras中構(gòu)建RNN的重要函數(shù)

1、SimpleRNN

SimpleRNN用于在Keras中構(gòu)建普通的簡單RNN層，在使用前需要import。

from keras.layers import SimpleRNN

在實際使用時，需要用到幾個參數(shù)。

model.add(
    SimpleRNN(
        batch_input_shape = (BATCH_SIZE,TIME_STEPS,INPUT_SIZE),
        output_dim = CELL_SIZE,
    )
)

其中，batch_input_shape代表RNN輸入數(shù)據(jù)的shape，shape的內(nèi)容分別是每一次訓(xùn)練使用的BATCH，TIME_STEPS表示這個RNN按順序輸入的時間點的數(shù)量，INPUT_SIZE表示每一個時間點的輸入數(shù)據(jù)大小。
CELL_SIZE代表訓(xùn)練每一個時間點的神經(jīng)元數(shù)量。

2、model.train_on_batch

與之前的訓(xùn)練CNN網(wǎng)絡(luò)和普通分類網(wǎng)絡(luò)不同，RNN網(wǎng)絡(luò)在建立時就規(guī)定了batch_input_shape，所以訓(xùn)練的時候也需要一定量一定量的傳入訓(xùn)練數(shù)據(jù)。
model.train_on_batch在使用前需要對數(shù)據(jù)進(jìn)行處理。獲取指定BATCH大小的訓(xùn)練集。

X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
index_start += BATCH_SIZE

具體訓(xùn)練過程如下：

for i in range(500):
    X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
    Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
    index_start += BATCH_SIZE
    cost = model.train_on_batch(X_batch,Y_batch)
    if index_start >= X_train.shape[0]:
        index_start = 0
    if i%100 == 0:
        ## acc
        cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
        ## W,b = model.layers[0].get_weights()
        print("accuracy:",accuracy)
        x = X_test[1].reshape(1,28,28)

全部代碼

這是一個RNN神經(jīng)網(wǎng)絡(luò)的例子，用于識別手寫體。

import numpy as np
from keras.models import Sequential
from keras.layers import SimpleRNN,Activation,Dense ## 全連接層
from keras.datasets import mnist
from keras.utils import np_utils
from keras.optimizers import Adam
TIME_STEPS = 28
INPUT_SIZE = 28
BATCH_SIZE = 50
index_start = 0
OUTPUT_SIZE = 10
CELL_SIZE = 75
LR = 1e-3
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
X_train = X_train.reshape(-1,28,28)/255
X_test = X_test.reshape(-1,28,28)/255
Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
model = Sequential()
# conv1
model.add(
    SimpleRNN(
        batch_input_shape = (BATCH_SIZE,TIME_STEPS,INPUT_SIZE),
        output_dim = CELL_SIZE,
    )
)
model.add(Dense(OUTPUT_SIZE))
model.add(Activation("softmax"))
adam = Adam(LR)
## compile
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
## tarin
for i in range(500):
    X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
    Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
    index_start += BATCH_SIZE
    cost = model.train_on_batch(X_batch,Y_batch)
    if index_start >= X_train.shape[0]:
        index_start = 0
    if i%100 == 0:
        ## acc
        cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
        ## W,b = model.layers[0].get_weights()
        print("accuracy:",accuracy)

實驗結(jié)果為：

10000/10000 [==============================] - 1s 147us/step
accuracy: 0.09329999938607215
…………………………
10000/10000 [==============================] - 1s 112us/step
accuracy: 0.9395000022649765
10000/10000 [==============================] - 1s 109us/step
accuracy: 0.9422999995946885
10000/10000 [==============================] - 1s 114us/step
accuracy: 0.9534000000357628
10000/10000 [==============================] - 1s 112us/step
accuracy: 0.9566000008583069
10000/10000 [==============================] - 1s 113us/step
accuracy: 0.950799999833107
10000/10000 [==============================] - 1s 116us/step
10000/10000 [==============================] - 1s 112us/step
accuracy: 0.9474999988079071
10000/10000 [==============================] - 1s 111us/step
accuracy: 0.9515000003576278
10000/10000 [==============================] - 1s 114us/step
accuracy: 0.9288999977707862
10000/10000 [==============================] - 1s 115us/step
accuracy: 0.9487999993562698

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：[email protected]進(jìn)行舉報，并提供相關(guān)證據(jù)，查實之后，將立刻刪除涉嫌侵權(quán)內(nèi)容。

猜你喜歡

• ???????Python函數(shù)式編程有哪些基礎(chǔ)知識要學(xué)習(xí)

  這篇文章主要介紹了???????Python?入門學(xué)習(xí)之函數(shù)式編程，?Python?中的函數(shù)式編程技術(shù)進(jìn)行了簡單的入門介紹，下文詳細(xì)內(nèi)容需要的小伙伴可以參考一下

• 怎么用Python做中文詞云？一文帶你看懂云詞的實現(xiàn)方法

  怎么用Python做中文詞云？一些朋友比較好奇中文詞云的實現(xiàn)，因此這篇文章就主要給大家介紹Python實現(xiàn)中文詞云的方法，下文的示例代碼對大家了解Python實現(xiàn)詞云的方法有一定的幫助，感興趣的朋友接下來一起跟隨小編來學(xué)習(xí)一下吧。

• ?Python opencv對圖像矯正的代碼怎樣寫

  本文主要介紹了使用python?opencv對畸變圖像進(jìn)行矯正的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下

• Python中的變量常見操作及應(yīng)用是什么

  這篇文章主要為大家介紹了Python的變量，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助

• 用Python實現(xiàn)圖書管理系統(tǒng)的完整方法及過程是什么

  今天帶大家學(xué)習(xí)怎么用python實現(xiàn)一個無界面的小型圖書管理系統(tǒng),文中有非常詳細(xì)的圖文解說及代碼示例,對正在學(xué)習(xí)python的小伙伴們有很好地幫助,需要的朋友可以參考下