当前位置：极客教程 > Tensorflow > Tensorflow 教程 > Tensorflow中的多层感知器学习

Tensorflow中的多层感知器学习

Tensorflow中的多层感知器学习

在这篇文章中，我们将了解多层感知器的概念和它在Python中使用TensorFlow库的实现。

多层感知

多层感知也被称为MLP。它是完全连接的密集层，可以将任何输入维度转化为所需维度。多层感知是一个具有多层的神经网络。为了创建一个神经网络，我们将神经元结合在一起，使一些神经元的输出成为其他神经元的输入。

多层感知器有一个输入层，每个输入都有一个神经元（或节点），它有一个输出层，每个输出都有一个节点，它可以有任意数量的隐藏层，每个隐藏层可以有任意数量的节点。多层感知器（MLP）的原理图描述如下。

Tensorflow中的多层感知器学习

在上面的多层感知器图中，我们可以看到有三个输入，因此有三个输入节点，隐藏层有三个节点。输出层给出两个输出，因此有两个输出节点。输入层的节点接受输入并将其进一步处理，在上图中，输入层的节点将其输出转发给隐藏层的三个节点，以同样的方式，隐藏层处理信息并将其传递给输出层。

多层感知中的每个节点都使用一个sigmoid激活函数。sigmoid激活函数将实值作为输入，并使用sigmoid公式将其转换为0和1之间的数字。

Tensorflow中的多层感知器学习

现在我们已经完成了多层感知的理论部分，让我们继续使用TensorFlow库在python中实现一些代码。

一步一步实现

第1步：导入必要的库。

# importing modules
import tensorflow as tf
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt
Python

第2步：下载数据集。

TensorFlow允许我们读取MNIST数据集，我们可以在程序中直接加载它作为训练和测试数据集。

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
Python

输出:

从https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 下载数据

11493376/11490434 [==============================] – 2s 0us/step

第3步：现在我们将把像素转换为浮点值。

# Cast the records into float values
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
  
# normalize image pixel values by dividing 
# by 255
gray_scale = 255
x_train /= gray_scale
x_test /= gray_scale
Python

我们要把像素值转换成浮点值来进行预测。将数字改为灰度值将是有益的，因为数值变得很小，计算变得更容易和更快。由于像素值的范围是0到256，除了0以外，其他的范围是255。因此，将所有的值除以255，就可以转换为0到1的范围。

第4步：了解数据集的结构

print("Feature matrix:", x_train.shape)
print("Target matrix:", x_test.shape)
print("Feature matrix:", y_train.shape)
print("Target matrix:", y_test.shape)
Python

输出:

Feature matrix: (60000, 28, 28)
Target matrix: (10000, 28, 28)
Feature matrix: (60000,)
Target matrix: (10000,)
Python

因此，我们得到训练数据集中有60,000条记录，测试数据集中有10,000条记录，数据集中的每张图像都是28×28的大小。

第5步：将数据可视化。

fig, ax = plt.subplots(10, 10)
k = 0
for i in range(10):
    for j in range(10):
        ax[i][j].imshow(x_train[k].reshape(28, 28), 
                        aspect='auto')
        k += 1
plt.show()
Python

输出

Tensorflow中的多层感知器学习

第6步：形成输入层、隐藏层和输出层。

model = Sequential([
    
    # reshape 28 row * 28 column data to 28*28 rows
    Flatten(input_shape=(28, 28)),
    
      # dense layer 1
    Dense(256, activation='sigmoid'),  
    
    # dense layer 2
    Dense(128, activation='sigmoid'), 
    
      # output layer
    Dense(10, activation='sigmoid'),  
])
Python

一些需要注意的重要事项：。

  • 顺序模型允许我们像在多层感知器中那样逐层创建模型，并且仅限于单输入、单输出的层叠。
  • 平坦化对提供的输入进行平坦化，而不影响批处理的大小。例如，如果输入的形状是（batch_size,），没有特征轴，那么扁平化会增加一个额外的通道尺寸，输出的形状是（batch_size, 1）。
  • 激活是为了使用sigmoid激活函数。
  • 前两个密集层用来做一个全连接模型，是隐藏层。
  • 最后一个密集层是输出层，包含10个神经元，决定图像属于哪个类别。

第7步：编译模型。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
Python

这里使用了编译函数，涉及到损失、优化器和度量的使用。这里使用的损失函数是sparse_categorical_crossentropy，优化器是adam。

第8步：拟合模型。

model.fit(x_train, y_train, epochs=10, 
          batch_size=2000, 
          validation_split=0.2)
Python

输出:

Tensorflow中的多层感知器学习

需要注意的一些要点。

  • 纪元告诉我们，模型将被训练成前向和后向的次数。
  • 批量大小代表样本的数量，如果没有指定，batch_size将默认为32。
  • 模型将把这部分训练数据分离出来，在每个历时结束时评估损失和任何模型指标。(模型不会在此数据上进行训练)

第9步：查找模型的准确性。

results = model.evaluate(x_test,  y_test, verbose = 0)
print('test loss, test acc:', results)
Python

输出:

test loss, test acc: [0.27210235595703125, 0.9223999977111816]
Python

通过对测试样本使用model.evaluate()，我们得到了我们的模型92%的准确性。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Tensorflow 教程

登录

找回密码？

注册