DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)

DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)

目录

Keras框架使用分析

Keras框架设计思路

案例分析

代码实现

Keras框架使用分析

Keras框架设计思路

案例分析

1、实现分类预测：通过Keras建立模型，最终得到的模型能进行两种预测，一是判断出类别，二是给出属于相应类别概率。
(1)、在Keras中，可以利用predict_class()函数来完成，利用最终的模型预测新数据样本的类别。但是，这个函数仅适用于Sequential模型，不适于使用功能式API开发的模型。
对三个实例预测：

  

   

    

     

    
    

     

      # 建立一个新的分类模型
     
    
   

    

     

    
    

     

      from keras.models import Sequential
     
    
   

    

     

    
    

     

      from keras.layers import Dense
     
    
   

    

     

    
    

     

      from sklearn.datasets.samples_generator import make_blobs
     
    
   

    

     

    
    

     

      from sklearn.preprocessing import MinMaxScaler
     
    
   

    

     

    
    

     

      # 生成二分类数据集
     
    
   

    

     

    
    

     

      X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
     
    
   

    

     

    
    

     

      scalar = MinMaxScaler()
     
    
   

    

     

    
    

     

      scalar.fit(X)
     
    
   

    

     

    
    

     

      X = scalar.transform(X)
     
    
   

    

     

    
    

     

      # 定义并拟合最终模型
     
    
   

    

     

    
    

     

      model = Sequential()
     
    
   

    

     

    
    

     

      model.add(Dense(4, input_dim=2, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(4, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(1, activation='sigmoid'))
     
    
   

    

     

    
    

     

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

    

     

    
    

     

      model.fit(X, y, epochs=500, verbose=0)
     
    
   

    

     

    
    

     

      # 新的未知数据实例
     
    
   

    

     

    
    

     

      Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
     
    
   

    

     

    
    

     

      Xnew = scalar.transform(Xnew)
     
    
   

    

     

    
    

     

      # 作出预测
     
    
   

    

     

    
    

     

      ynew = model.predict_classes(Xnew)
     
    
   

    

     

    
    

     

      # 显示输入和输出
     
    
   

    

     

    
    

     

      for i in range(len(Xnew)):
     
    
   

    

     

    
    

     

      print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
     
    
  
 

对一个实例预测：需要将它包装变成一个数组的形式。以便传给predict_classes()函数

  

   

    

     

    
    

     

      from keras.models import Sequential
     
    
   

    

     

    
    

     

      from keras.layers import Dense
     
    
   

    

     

    
    

     

      from sklearn.datasets.samples_generator import make_blobs
     
    
   

    

     

    
    

     

      from sklearn.preprocessing import MinMaxScaler
     
    
   

    

     

    
    

     

      from numpy import array
     
    
   

    

     

    
    

     

      # 生成一个二分类数据集
     
    
   

    

     

    
    

     

      X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
     
    
   

    

     

    
    

     

      scalar = MinMaxScaler()
     
    
   

    

     

    
    

     

      scalar.fit(X)
     
    
   

    

     

    
    

     

      X = scalar.transform(X)
     
    
   

    

     

    
    

     

      # 定义并拟合最终的新模型
     
    
   

    

     

    
    

     

      model = Sequential()
     
    
   

    

     

    
    

     

      model.add(Dense(4, input_dim=2, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(4, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(1, activation='sigmoid'))
     
    
   

    

     

    
    

     

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

    

     

    
    

     

      model.fit(X, y, epochs=500, verbose=0)
     
    
   

    

     

    
    

     

      # 未知的新实例
     
    
   

    

     

    
    

     

      Xnew = array([[0.89337759, 0.65864154]])
     
    
   

    

     

    
    

     

      # 作出预测
     
    
   

    

     

    
    

     

      ynew = model.predict_classes(Xnew)
     
    
   

    

     

    
    

     

      # 显示输入输出
     
    
   

    

     

    
    

     

      print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
     
    
  
 

代码实现

1、基于Keras设计的简单二分类问题开发的神经网络模型案例

  

   

    

     

    
    

     

      # 训练一个最终分类的模型
     
    
   

    

     

    
    

     

      from keras.models import Sequential
     
    
   

    

     

    
    

     

      from keras.layers import Dense
     
    
   

    

     

    
    

     

      from sklearn.datasets.samples_generator import make_blobs
     
    
   

    

     

    
    

     

      from sklearn.preprocessing import MinMaxScaler
     
    
   

    

     

    
    

     

      # 生成一个二分类问题的数据集
     
    
   

    

     

    
    

     

      X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
     
    
   

    

     

    
    

     

      scalar = MinMaxScaler()
     
    
   

    

     

    
    

     

      scalar.fit(X)
     
    
   

    

     

    
    

     

      X = scalar.transform(X)
     
    
   

    

     

    
    

     

      # 定义并拟合模型
     
    
   

    

     

    
    

     

      model = Sequential()
     
    
   

    

     

    
    

     

      model.add(Dense(4, input_dim=2, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(4, activation='relu'))
     
    
   

    

     

    
    

     

      model.add(Dense(1, activation='sigmoid'))
     
    
   

    

     

    
    

     

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

    

     

    
    

     

      model.fit(X, y, epochs=200, verbose=0)
     
    
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/79702915